Spatio-Temporal Cluster-Triggered Encoding for Spiking Neural Networks
Lingyun Ke, Minchi Hu
将静态图像编码到尖峰列车中是使尖峰神经网络(SNN)能够高效地处理视觉信息的关键步骤。 然而,诸如速率编码,Poisson编码和时间到先率(TTFS)等现有方案通常忽略空间关系并产生时间不一致的尖峰模式。 在本文中,提出了一种新的基于集群的编码方法,该方法利用局部密度计算来保留空间和时间域中的语义结构。 该方法引入了2D空间集群触发器,通过连接的组件分析和局部密度估计来识别前景区域。 然后,扩展到3D时空(ST3D)框架,该框架共同考虑时间社区,产生具有改善时间一致性的尖峰列车。 对N-MNIST数据集的实验表明,我们的ST3D编码器通过简单的单层SNN实现了98.17%的分类精度,优于标准TTFS编码(97.58%),并在使用显着更少的尖峰(每个样本3800 vs 5000)的同时匹配更复杂的深度架构的性能。 结果表明,这种方法为神经形态计算应用提供了可解释和高效的编码策略。
Encoding static images into spike trains is a crucial step for enabling Spiking Neural Networks (SNNs) to process visual information efficiently. However, existing schemes such as rate coding, Poisson encoding, and time-to-first-spike (TTFS) often ignore spatial relationships and yield temporally inconsistent spike patterns. In this article, a novel cluster-based encoding approach is proposed, which leverages local density computation to preserve semantic structure in both spatial and temporal d...