申请一个网站需要多少钱,新手做网站教程,心理教育网站建设目的,搞软件开发工资高吗访问【WRITE-BUG数字空间】_[内附完整源码和文档]
研究的意义在于探索脉冲神经网络在目标检测上的应用#xff0c;目前主流的脉冲神经网络训练算法有直接BP训练、STDP无监督训练和训练好的ANN的转化#xff0c;虽然训练算法众多#xff0c;但是SNN仍然没有一套成熟的训练算…访问【WRITE-BUG数字空间】_[内附完整源码和文档]
研究的意义在于探索脉冲神经网络在目标检测上的应用目前主流的脉冲神经网络训练算法有直接BP训练、STDP无监督训练和训练好的ANN的转化虽然训练算法众多但是SNN仍然没有一套成熟的训练算法。比如在较大较深的网络训练中面临着脉冲信号的编码问题、训练开销大等问题。详细设计见md文件。
1 引言 1.1 研究背景 目标检测是一种应用特定计算机算法在图像中找到所需目标的技术。近年来随着计算机硬件的不断发展目标检测的各种算法也迎来了巨大的突破越来越多地应用于交通检测、智能支付、医疗影像等各个方面。在计算机视觉中目标检测是要比图像分类更复杂的一个问题它不仅要清楚目标的类型还需做到目标的定位。所以物体检测的难度更大挑战性更强相应的深度学习模型也会更加复杂。
目标检测有许多算法卷积神经网络ConvolutionalNeuralNetworks,CNN是其代表算法之一。它是一个前馈神经网络具有卷积计算和深度结构。目前基于卷积神经网络的目标检测算法大致可分为两种模式即twostage模式和onestage模式twostage模式的检测过程分为两个步骤首先由算法生成若干个候选框再通过CNN对候选框进行分类onestage模式则是端到端的学习直接对对目标的置信概率和位置进行回归相对来说精度有所损失但速度较twostage模式的算法更快。[1]
基于twostage的算法有
RCNN:通过选择性搜索selectivesearch来确定候选框之后统一将候选框压缩到大小然后运用CNN对候选框进行特征提取最后使用多个支持向量机SVM分类器分类输出向量采用边界回归生成目标区域[2]。
FastRCNN仍然使用选择性搜索来确定候选框但将整张图片输入到CNN在卷积特征层上使用感兴趣区域RegionofinterestpoolingROIpooling操作并从特征图中提取一个特定长度的特征向量然后将特征向量输入到全连接层用softmax对其进行分类最后对属于同一特征的候选框进行分类并回归其位置[3]。
FasterRCNN使用RPN(RegionProposalNetwork)而不是选择性搜索大大减少了提取候选框的时间。将RPN和FastRCNN相结合首先提取整张图片的特征再将特征结果输入到RPN然后使用ROI池化层固定候选框的大小最后对属于某一特征的候选框回归和调整[4]。
基于onestage的算法有
YOLOv1和许多后续的改进算法YOLO系列算法是目前一种先进的目标检测算法。因为整个检测框架是一个整体所以可以端到端地对算法的性能进行优化。
SSD系列算法采用多尺度特征图用于检测.设置先验框采用卷积进行检测。
脉冲神经网络SpikingNeuralNetwork,SNN起源于脑科学由于其丰富的时空领域的神经动力学特性、多样的编码机制和超低的功耗被誉为第三代神经网络。在此之前神经网络经历了几个发展阶段第一个阶段是感知机阶段其可以模拟人类感知能力并由美国神经学家FrankRosenblatt在BM704机上完成了仿真。第二个阶段是基于联结主义的多层人工神经网络(ArtificialNeuralNetwork,ANN)其兴起于二十世纪80年代中期。20世纪80年代末分布式表达与反向传播算法被提出。在2006年以后深度卷积网络占有重要地位引领了近十几年人工智能的发展[5]。
ANN各个深度学习领域如计算机视觉和自然语言处理取得了巨大的成功但ANN在生物学上是不精确的不能较准确地模仿生物大脑神经元的运作机制缺乏一定的生物可解释性。为了使神经网络更加接近于人脑SNN随之诞生。但与ANN在各方面的广泛应用不同SNN领域仍有许多问题有待解决其研究仍然处于快速发展的早期阶段。
