一种基于转换的脉冲神经网络模型进行物体检测的方法技术

本发明专利技术公布了一种基于转换的脉冲神经网络模型进行物体检测的方法，构建基于转换的脉冲神经网络图像物体检测模型YOLO‑v3‑SNN；通过搜索确定新的网络模型参数；并设计新的转换方法实现网络模型计算的加法和拼接；使得脉冲神经网络模型完全脉冲化，从而提高物体检测的精度和效率。利用本发明专利技术提供的技术方案，基于图像进行物体检测过程中转换为脉冲神经网络SNN及运算，利用SNN的高能效优势实现快速、低能耗的物体检测，同时保证物体检测精度。

【技术实现步骤摘要】

本专利技术涉及人工智能，涉及基于图像的物体检测技术，尤其涉及一种使用脉冲神经网络进行物体检测的方法。

技术介绍

1、近些年来，人工智能在图像识别、物体检测、语言处理、行为决策、数据分析等很多领域取得了重大突破。神经网络是人工智能最核心的组成部分之一，针对不同的领域，研究者们提出了很多结构各异的人工神经网络(artificial neural network,ann)，比如resnet、transformer、yolo(you look only once)、lstm(long short memory)等等。其中的yolo是最主流的用于物体检测的网络结构，目前已经迭代数个版本，其主要由各种参数的卷积(convolution)、全连接(fully connected)、池化(pooling)等网络层组成。

2、脉冲神经网络(spiking neural network,snn)被誉为第三代神经网络，与ann相比，snn有着事件驱动特性，并且可解释性强、更加贴近真实生物细胞。根据snn原理设计的专用硬件具有高并发、低功耗的优势。在snn中，神经元的本文档来自技高网...

【技术保护点】

1.一种基于转换的脉冲神经网络模型进行物体检测的方法，构建基于转换的脉冲神经网络图像物体检测模型YOLO-v3-SNN；通过搜索确定新的网络模型参数；并设计新的转换方法实现网络模型计算的加法和拼接；使得脉冲神经网络模型完全脉冲化，从而提高物体检测的精度和效率；包括以下步骤：

2.如权利要求1所述基于转换的脉冲神经网络模型进行物体检测的方法，其特征是，步骤1)获取任务场景的图片物体数据集，具体可针对场景进行拍照或者从网络平台获取对应场景的图片。

3.如权利要求1所述基于转换的脉冲神经网络模型进行物体检测的方法，其特征是，步骤3)使用梯度下降法对图像处理人工神经网络模...

【技术特征摘要】

1.一种基于转换的脉冲神经网络模型进行物体检测的方法，构建基于转换的脉冲神经网络图像物体检测模型yolo-v3-snn；通过搜索确定新的网络模型参数；并设计新的转换方法实现网络模型计算的加法和拼接；使得脉冲神经网络模型完全脉冲化，从而提高物体检测的精度和效率；包括以下步骤：

2.如权利要求1所述基于转换的脉冲神经网络模型进行物体检测的方法，其特征是，步骤1)获取任务场景的图片物体数据集，具体可针对场景进行拍照或者从网络平台获取对应场景的图片。

3.如权利要求1所述基于转换的脉冲神经网络模型进行物体检测的方法，其特征是，步骤3)使用梯度下降法对图像处理人工神经网络模型yolo-v3-ann进行训练；包括：

4.如权利要求1所述基于转换的脉冲神经网络模型进行物体检测的方法，其特征是，步骤4.1.3)根据ymax设置阈值的搜索范围，并从中均匀地选取多个值作为备选...

【专利技术属性】
技术研发人员：孙广宇，汪乾坤，
申请(专利权)人：北京大学，
类型：发明
国别省市：