一种基于卷积脉冲神经网络的预注意力提取方法技术

本发明专利技术公开了一种基于卷积脉冲神经网络的预注意力提取方法，对脉冲原始数据极性合并后进行时间维度上的过滤，然后计算所有样本在不同像素位置的累计脉冲激活数量，得到能表示不同位置脉冲出现频率的预注意力样本；在原始脉冲数据通过卷积脉冲神经网络正常前馈的同时，并使预注意力样本共同卷积前馈，在各层通过特定函数转换为预注意力大小分别对各个神经元的膜电位进行调节，以指导各层的神经元的脉冲发放。本发明专利技术的方法使得卷积脉冲神经网络结合预注意力进行运算，从而令网络能够更加关注较重要的脉冲事件，并减少对不重要脉冲时间的关注和忽略噪声脉冲，提高网络的整体性能。提高网络的整体性能。提高网络的整体性能。

【技术实现步骤摘要】
一种基于卷积脉冲神经网络的预注意力提取方法


[0001]本专利技术属于图像识别
，具体涉及一种基于卷积脉冲神经网络的预注意力提取方法。

技术介绍

[0002]脉冲神经网络由于其事件驱动的特性，在硬件方面有显著的优势。近年来卷积滤波器在脉冲神经网络中的使用，增强了其提取空间特征的能力，使卷积脉冲神经网络成为在神经形态视觉任务中的研究热点。
[0003]尽管卷积脉冲神经网络通过任务学习能够较好地提取到局部视觉特征，但也由于卷积核局部视野的特性，会使网络在卷积前馈时无法对各个脉冲事件的重要性做出具有全局性的判断，从而关注到某些不重要的脉冲事件，导致其在时间域内发放大量冗余脉冲，损害网络的信息表示。
[0004]针对以上问题，可使用预注意力方法，通过对脉冲数据本身进行分析挖掘，获取到脉冲事件全局性的重要性判断，并与卷积脉冲神经网络的学习过程有机结合，帮助其对每个脉冲事件的重要性做出更全面且合理的判断，避免冗余脉冲与噪声、提高网络性能。

技术实现思路

[0005]基于现有技术中存在的上述缺点和不足，本专利技术的目的之本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积脉冲神经网络的预注意力提取方法，其特征在于，包括步骤：S1、获取若干像素尺寸相同的原始脉冲样本，所述原始脉冲样本由事件相机拍摄，将图像变化记录为各个像素位置上出现的脉冲；S2、设定一个大于1的预注意力阈值，统计每个所述原始脉冲样本在各个像素位置上出现的脉冲数量，将每个所述原始脉冲样本中脉冲数量大于所述预注意力阈值的像素位置重置为出现一次脉冲，将脉冲数量小于所述预注意力阈值的像素位置重置为静默状态；S3、对各个像素位置进行全部所述原始脉冲样本重置后在该位置的脉冲数量的累加，得到预注意力样本，所述预注意力样本在各个像素位置的值表示该像素位置上脉冲出现的频率，频率越高则该像素位置越不重要；S4、将所述原始脉冲样本通过卷积脉冲神经网络前馈，所述卷积脉冲神经网络为正常前馈的卷积脉冲神经网络；并将所述预注意力样本通过卷积神经网络前馈，所述卷积神经网络的卷积核尺寸与所述卷积脉冲神经网络相同，使所述卷积脉冲神经网络和所述卷积神经网络中对应位置神经元的感受野范围相同，所述卷积神经网络的卷积核权重为1，并使用规范化转换替换卷积后的激活函数；将所述预注意力样本在所述卷积神经网络每一层卷积的输出规范化转换为所述卷积脉冲神经网络在每一层的输出中各个像素点的预注意力；基于所述每一层的输出中各个像素点的预注意力对所述原始脉冲样本在相应位置的神经元膜电位进行增强或减弱。2.如权利要求1所述的一种基于卷积脉冲神经网络的预注意力提取方法，其特征在于，所述步骤S2具体包括如下方法：S21、将所述原始脉冲样本加工为尺寸为P
×
T
×
W
×
H的矩阵，所述P、T、W、H的尺寸分别等于极性数目、脉冲时间窗口、原始脉冲样本宽、原始脉冲样本高，根据所述原始脉冲样本的极性种类及发生的时间、宽高位置将所述P、T、W、H维度中的相应位置置为1，其他位置置为0；S22、将所述原始脉冲样本的P、T维度相加，得到表示各个像素位置的脉冲发放次数的矩阵；S23、设定一个大于1的预注意力阈值，将总脉冲发放次数大于所述预注意力阈值的像素位置重置为1，否则重置为0。3.如权利要求2所述的一种基于卷积脉冲神经网络的预注意力提取方法，其特征在于，所述步骤S3具体为：将全部所述原始脉冲样本经所述步骤S23重置后得到的矩阵累加，使相同像素位置的值累加在一起，得到预注意力样本的矩阵；所述预注意力样本的矩阵在各个像素位置的值表示该像素位置上脉冲出现的频率。4.如权利要求1所述的一种基于卷积脉冲神经网络的预注意力提取方法，其特征在于，所述步骤S4具体包括如下方法：S41、将所述原始脉冲样本通过卷积脉冲神经网络前馈一层，所述卷积脉冲神经网络为正常前馈的卷积脉冲神经...

【专利技术属性】
技术研发人员：徐小良，徐宇奇，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：