-
题名基于脉冲神经网络微调方法的遥感图像目标检测
- 1
-
-
作者
郭柏麟
黄立威
路遥
张雪涛
马永强
-
机构
西安交通大学人机混合增强智能全国重点实验室
北京市遥感信息研究所
西安交通大学视觉信息与应用国家工程研究中心
西安交通大学人工智能与机器人研究所
-
出处
《遥感学报》
EI
CSCD
北大核心
2024年第7期1702-1712,共11页
-
基金
卫星信息智能处理与应用重点实验室基金
国家重点研发计划(编号:2022ZD0208801)。
-
文摘
遥感影像目标检测问题是视觉图像识别任务的重要研究内容之一,但是在船舶遥感图像中,船舶目标小且分布稀疏,使用传统的人工神经网络(ANN)进行目标检测往往会浪费大量的计算资源。脉冲神经网络(SNN)的事件驱动与低功耗特性可以极大地节省能量消耗同时解放更多的计算资源。然而SNN神经元由于其复杂动态与不可微调的脉冲操作,难以正常进行训练。作为替代,将训练好的ANN转换为SNN可以有效规避这一问题。对于转换后的深层SNN,需要大量时间步长(time steps)来维持其性能。这一过程需要大量的计算资源并对产生较大的延迟,与低功耗的研究初衷相违背。本文研究了转换后SNN需要大量time steps维持模型性能的原因,并提出了新的转换方法,基于微调的逐层转换方法;考虑硬件部署的合理性,提出了泊松群编码,相比泊松编码,泊松群编码输出的脉冲序列噪声更小,对模型性能的影响更小。实验表明,微调转换方法在SAR舰船检测数据集(SSDD、AIR-SARShip)上取得与转换前模型(97.9%、79.6%)相近的性能(96.9%、70.3%),在PASCAL VOC数据集上也获得了较好的检测性能(49.2%),而且对于泊松群编码,time steps相同的条件下神经元数目越多,对模型性能的影响越小,时间步长较少的条件下即可获得与输入模拟频率近似的性能。本文的研究可以提升转换后SNN的性能,减少转换后SNN对time steps的需求,并为SNN的硬件部署提供了一个切实有效的输入编码方法。
-
关键词
脉冲神经网络
目标检测
船舶遥感图像
ANN-SNN转换
泊松群编码
-
Keywords
Spiking Neural Network(SNN)
object detection
ship remote sensing images
convert ANN to SNN
Poisson group coding
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
P2
[天文地球—测绘科学与技术]
-
