一种用于SNN目标分类的最大池化层电路制造技术

本发明专利技术涉及一种用于SNN目标分类的最大池化层电路。所述电路神经元脉冲In1经过加法器和寄存器在每个时钟周期完成一次脉冲数量的累加，寄存器的输出送入数据选择器；当时间步长计数器累加到一个时间步长时，控制数据选择器选通寄存器输出，将时间步长内神经元累计的脉冲数量Out1输出至比较器；当未达到一个时间步长时，数据选择器选通0信号；同理，神经元脉冲In2、In3、…、InN输入对应输出Out2、Out3、…、OutN信号，输入至比较器进行比较，从而得到N个神经元时间步长内累计脉冲数量的最大值并存入输出寄存器，最后根据输出寄存器中的累计脉冲数值，通过脉冲发生器产生输出脉冲，从而得到最大池化层的输出。

【技术实现步骤摘要】

本专利技术涉及一种用于snn目标分类的最大池化层电路，涉及利用脉冲神经网络(spiking neural network，snn)进行图像分类领域。

技术介绍

1、现阶段利用深度神经网络(deep neural network，dnn)针对图像中的各类目标进行分类能够达到比较好的效果。然而，开展dnn模型训练和推理时，由于其复杂的网络模型和庞大的计算量，导致其在硬件实现上需要强大的算力及较高的能耗，导致其在边缘端的部署和应用受限较大。基于二进制脉冲信号的snn是继感知器、多层前馈神经网络(backpropagation，bp神经网络)后的第三代神经网络，其设计灵感源自大脑中神经元之间的脉冲传递，神经元在接收到足够的输入后产生脉冲信号，这个脉冲信号会传递给后续神经元，从而实现信息的传递和处理。snn的原理基于神经元之间的时间相关性，利用大脑神经系统的脉冲信息及事件驱动特性，通过离散的二进制脉冲信号可以避免dnn模型在硬件部署中高昂的乘法计算代价，具有低能耗、轻量化的特性。

2、利用dnn完成目标分类的任务中需要进行池化操作，能够保证在压缩图像的同本文档来自技高网...

【技术保护点】

1.一种用于SNN目标分类的最大池化层电路，其特征在于包括：加法器、寄存器、数据选择器、时间步长计数器、比较器、输出寄存器和脉冲发生器；

2.根据权利要求1所述的一种用于SNN目标分类的最大池化层电路，其特征在于：对输入图像进行脉冲编码，经过卷积层提取目标特征，并将目标特征脉冲输入到下一层级的池化层，即最大池化层电路。

3.根据权利要求1所述的一种用于SNN目标分类的最大池化层电路，其特征在于：神经元脉冲In1、In2、In3、…、InN在数字电路中以一个时钟周期的高电平信号方式产生。

4.根据权利要求1所述的一种用于SNN目标分类的最大池化层电路，其...

【技术特征摘要】

1.一种用于snn目标分类的最大池化层电路，其特征在于包括：加法器、寄存器、数据选择器、时间步长计数器、比较器、输出寄存器和脉冲发生器；

2.根据权利要求1所述的一种用于snn目标分类的最大池化层电路，其特征在于：对输入图像进行脉冲编码，经过卷积层提取目标特征，并将目标特征脉冲输入到下一层级的池化层，即最大池化层电路。

3.根据权利要求1所述的一种用于snn目标分类的最大池化层电路，其特征在于：神经元脉冲in1、in2、in3、…、inn在数字电路中以一个时钟周期的高电平信号方式产生。

4.根据权利要求1所述的一种用于snn目标分类的最大池化层电路，其特征在于：所述时间步长作为超参数，依据输入图像的大小和对输出图像大小的要...

【专利技术属性】
技术研发人员：张小满，解春雷，王子杰，薛晨，李新阳，殷珂，陈志鸿，程凌霄，张瑞江，覃辉，
申请(专利权)人：中国航天科技创新研究院，
类型：发明
国别省市：