一种基于类脑计算平台的图像识别方法及系统技术方案

本发明专利技术涉及一种基于类脑计算平台的图像识别方法及系统，该方法包括：构建脉冲神经网络；脉冲神经网络包括近似最大池化层，近似最大池化层包括突触前神经元集群和突触后神经元集群，突触前神经元集群包括多个顺序排列的神经元组，各神经元组中突触前神经元数量相同，突触前神经元集群中第i个神经元组中突触前神经元均与突触后神经元集群中第i个突触后神经元连接，当第i个神经元组中突触前神经元输入的脉冲累计超过设定阈值时，第i个突触后神经元发放一次脉冲；将训练好的脉冲神经网络部署到类脑计算平台；采用部署到类脑计算平台上的脉冲神经网络进行图像识别。本发明专利技术降低了图像识别在硬件平台计算时的能耗。图像识别在硬件平台计算时的能耗。图像识别在硬件平台计算时的能耗。

【技术实现步骤摘要】
一种基于类脑计算平台的图像识别方法及系统


[0001]本专利技术涉及神经网络
，特别是涉及一种基于类脑计算平台的图像识别方法及系统。

技术介绍

[0002]使用卷积神经网络在常用的CPU等硬件平台进行图像识别，往往需要较高的能耗。而利用脉冲神经网络在类脑计算平台完成图像识别任务，能有效降低功耗，并达到与卷积神经网络在CPU等硬件平台相似的精度，同时脉冲神经网络的结构更简单，有效减小计算量。
[0003]而脉冲神经网络中，模拟卷积神经网络进行的最大池化，目前还未在类脑计算平台上真正实现，大多都是通过模拟器模拟的方式进行最大池化的操作。
[0004]在模拟器实现的脉冲神经网络的最大池化中，由于脉冲神经网络的特殊性，如何定义最大池化中的“最大”是问题的关键。大多数方式采取通过发放脉冲的个数或累积的阈值电压进行定义，并且在构建网络时，需要中间层神经元，以及调整用于连接的突触。但这样的方式难以在硬件平台实现，且耗费内存，不利于神经元的计算。
[0005]而为了实现端对端的任务，且为了最大池化在提取特征时，有效减小卷积层参数误本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于类脑计算平台的图像识别方法，其特征在于，包括：构建脉冲神经网络；所述脉冲神经网络包括依次连接的卷积层、近似最大池化层和分类器，所述近似最大池化层包括突触前神经元集群和突触后神经元集群，所述突触前神经元集群包括多个顺序排列的神经元组，各神经元组中突触前神经元数量相同，所述突触前神经元集群中第i个神经元组中突触前神经元均与所述突触后神经元集群中第i个突触后神经元连接，当第i个神经元组中突触前神经元输入的脉冲累计超过设定阈值时，第i个突触后神经元发放一次脉冲；对所述脉冲神经网络进行图像识别的训练，获得训练好的脉冲神经网络；将训练好的脉冲神经网络部署到类脑计算平台；采用部署到类脑计算平台上的脉冲神经网络进行图像识别。2.根据权利要求1所述的基于类脑计算平台的图像识别方法，其特征在于，所述脉冲神经网络的输入为一维脉冲序列。3.根据权利要求1所述的基于类脑计算平台的图像识别方法，其特征在于，所述近似最大池化层和所述分类器之间为全连接。4.根据权利要求1所述的基于类脑计算平台的图像识别方法，其特征在于，所述对所述脉冲神经网络进行图像识别的训练，获得训练好的脉冲神经网络，具体包括：通过反向传播的方式，训练所述卷积层到所述近似最大池化层的神经元之间的突触连接权重和所述近似最大池化层到所述分类器的神经元之间的突触连接权重，将训练好的各权重进行存储。5.根据权利要求1所述的基于类脑计算平台的图像识别方法，其特征在于，所述设定阈值为2。6.一种基于类脑计算平台的图像识别系统，其特征在于，包...

【专利技术属性】
技术研发人员：包文笛，胡蝶，乔树山，周玉梅，尚德龙，
申请(专利权)人：中科南京智能技术研究院，
类型：发明
国别省市：