课程文献中心 更多>>

关键词： RatSLAM   闭环检测   即时定位与地图构建  

摘要： 传统的RatSLAM算法中视觉处理受环境、光照的影响大,进而导致建图精度及稳定性下降。因此,提出了一种快速增量式视觉处理方法克服原RatSLAM系统中的视觉处理的缺陷。以一个改进型的二叉搜索树为检索算法,通过动态岛屿机制对图像进行分组,最终通过序列匹配的形式实现环境识别,达到了在线、准确、快速识别环境的目的。实验结果表明,所提算法的位置识别准确率高于99%,召回率高于80%,平均处理时间低于50 ms。本系统的闭环性能、时间性能及建图稳定性均显著优于现有方案,进一步证明了基于快速增量式视觉处理方法的鲁棒性、高效性。

关键词： 候选体诊断图压缩   深度网络压缩模型   跳白块编码   500 m口径球面射电望远镜  

摘要： 500 m口径球面射电望远镜(Five-hundred-meter Aperture Spherical radio Telescope,FAST)脉冲星搜索产生的候选体诊断图量级呈指数增长,给科学数据管理工作带来挑战,迫切需要研究压缩方法,实现诊断图的有效存储,加快其在网络中传输共享。脉冲星诊断图像由稀疏的黑白图像、随机分布的灰度图和彩色图像组成,简单视为彩色图像用同一种压缩方法处理显然不合理。提出跳白块编码和深度网络压缩编码压缩模型对脉冲星候选体诊断图分区压缩,使用近年来FAST巡天搜索项目脉冲星候选体诊断图来训练和验证。结果表明,改进的跳白块编码(White Block Skipping,WBS)压缩稀疏黑白图像的性能是PNG(Portable Network Graphics)的5倍;深度网络压缩算法处理灰度图和彩色图峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)性能优于JPEG(Joint Photographic Experts Group)和JPEG2000算法,与BPG(Better Portable Graphics)算法性能相当,结构相似性(Structural Similarity,SSIM)远超传统压缩算法。

关键词： 行人重识别   步态特征   脉冲神经网络   多级脉冲   特征融合   时空梯度  

摘要： 针对提取监控视频中行人的时空特征相对困难和使用步态这一时空特征进行小样本学习后,准确率相对较低的问题,提出一种基于多级脉冲特征集融合的行人重识别方法(MSSF)。首先,通过脉冲卷积提取基于步态图像帧的局部行人脉冲特征,在此基础上,将局部脉冲特征映射为具有全局行人属性的脉冲特征集;接着通过融合不同深度级别的脉冲特征集来表征行人的时空多维特征,并使用水平金字塔进一步提取更具区分度的特征;最后,通过时空梯度反向传播优化网络参数。实验在CASIA-B数据集上进行,在小样本学习后,跨视角正确率最高达到了71.7%,提升4.91%,验证了所提方法的有效性。

关键词： 脉冲神经网络   多脉冲学习   突触延迟   神经形态计算  

摘要： 基于脉冲的信息表达被认为是大脑进行稀疏、高效信息处理的基础,但是如何高效地处理和学习离散的脉冲仍然是一个具有挑战的问题.本文受突触延迟在生物可塑性中的重要作用所启发,将突触延迟引入脉冲神经元模型中,基于以发放期望脉冲数目为目标的高效多脉冲学习算法EML提出了两种针对延迟的学习方法:间断和连续延迟学习,其中连续延迟学习解决了间断延迟学习中延迟调整波动大的问题.两种延迟学习方法分别与权重学习结合得到了两种联合突触权重和延迟可塑性的多脉冲学习算法,命名为Discontinuous EML-DL和Continuous EML-DL.本文首先对所提出的两种算法的学习动态特性进行了初步验证;进而,探索了所提出算法在不同的初始设置下的性质,并通过区间选择任务验证了突触权重和延迟联合可塑性的有效性和必要性,实验结果展现了本文方法在高效性的基础之上有效提升了神经元学习的灵活性和选择性;最后,本文构建了基于阈值交叉编码的孤立词识别系统,并在Ti46和TIDIGITS两个语料库上进行了测试,实验结果验证了所提出的两种算法在实际任务上的可行性和有效性.本文的研究成果展现了突触权重与延迟相结合的有效性,提升了多脉冲学习算法的性能,对基于脉冲的神经形态学习与计算有一定参考意义及价值.

关键词： 人工智能   类脑智能   信息产业   国际科技界   长期进化   下一代   人类健康  

摘要： 如今,人类正尝试用类脑技术改变我们的生活。人脑是世界上最复杂的一种物质,是自然界长期进化的产物,大脑的工作机制至今仍是有着神秘光环的科学领域。因此,类脑智能被视为人工智能的终极目标,也被称作“下一代人工智能”。这对人类健康和新一代人工智能技术及新型信息产业的发展意义重大,是国际科技界必争的重要战略领域。

关键词： 电子与通信工程   视觉信息处理   芯片实验室   功耗优化   脉冲信号   视觉处理   电子系统   芯片面积  

摘要： 重庆大学微电子与通信工程学院类脑芯片与系统实验室组建于2019年,聚焦于面向物端视觉信息认知学习和处理的数字型神经形态类脑芯片设计研究,通过模仿人类大脑皮层基于时空稀疏脉冲信号对视觉信息进行编码、传输和处理的方式,实现成本低、速度快、能效高、自适应的类脑视觉信息处理芯片及系统。目前已成功研发了系列物端视觉信息处理数字类脑芯片,分别侧重处理速度提升、运行功耗优化、芯片面积紧凑、片上自适应学习能力等不同方面,形成了初具规模的研究成果矩阵,并携手业界高科技公司进行二次开发,实现了完整的类脑视觉处理电子系统,部署服务能于多家知名国有大型车企的智能座舱、智慧车队等先进系统。

关键词： 脉冲神经网络   脉冲时间依赖可塑性   图像识别   卷积自编码器  

摘要： 近年来,具有生理学基础的脉冲时间依赖可塑性(Spiking Timing-Dependent Plasticity,STDP)规则在脉冲神经网络中得到了越来越多的应用.由STDP规则和奖惩机制相结合的R-STDP(reward-modulated STDP)学习算法在改善脉冲神经网络的性能上有良好的效果.但R-STDP算法在训练多层脉冲神经网络时,仍存在反馈信号仅作用于网络末层、中间层无法获得有用奖惩信号.为此,利用自编码器的无监督特性,提出一种具有混合奖惩信号的MR-STDP(Mix Reward-modulated STDP)算法.在中间层中增加重构层以够建基于卷积自编码器的奖惩信号因子模型,通过比较卷积层和重构层的神经元脉冲发放时间,获取中间层网络权重调整的指导因子信号.指导因子信号是对比层间自编码器的输入层与重构层的相同位置神经元所发放的脉冲序列相似性度量指标,并将其与R-STDP相结合,使得中间层能够获得权重指导信号.在MNIST和COVID-19 CT数据集上的实验结果表明,该方法取得了比R-STDP更高的精度,且中间层网络的学习效率大幅提高.

关键词： 类脑芯片   脉冲神经网络   神经形态芯片   片上学习   类脑计算  

摘要： 本文简述目前物端神经形态类脑芯片设计的研究现状,首先回顾了目前已发表的神经形态类脑芯片,总结了其特点和局限性,然后简要介绍了脉冲神经网络的基础知识,包括脉冲神经网络的经典神经元模型、网络拓扑结构以及仿生学习算法。接下来重点介绍了目前最新发表的片上实时强化学习物端类脑芯片、片上三重类脑学习物端类脑芯片、视觉压缩感知识别物端类脑芯片以及片上多层脉冲神经网络(spiking neural network,SNN)学习物端类脑芯片4款物端神经形态类脑芯片的算法优化方案、芯片架构和电路设计、以及现场可编程门阵列(field programmable gate array,FPGA)原型或实际制造芯片测试结果。所介绍的神经形态类脑芯片均具备片上实时学习功能,且在各类基准数据集上都实现了较高的识别准确率。同时,提出的芯片架构均为较低成本,能达到相对较高的处理速度,同时还具有较为灵活的可扩展性和可配置性,能够适用于不同的物端智能应用场景,为目前研究领域面临的挑战提供了可行的解决方案。最后指出了目前物端神经形态类脑芯片设计领域发展中的核心瓶颈,并介绍了初步的解决方案。未来将围绕这些方向开展研究,设计新一代高性能物端神经形态类脑芯片。

关键词： 脉冲神经网络   FPGA   OpenCL   并行计算  

摘要： 现有的脉冲神经网络模型软件模拟通常具有处理速度慢、功耗高的缺点,同时利用硬件电路实现则具有开发难度大、灵活性差的缺点.为了探索合理实现脉冲神经网络模型的途径,在己有研究成果的基础上综合考虑两种方案的优缺点,提出了利用软件库模拟脉冲神经元数学模型以及网络的拓扑结构、并将网络运行时的关键计算任务以计算内核的方式交由基于OpenCL的FPGA并行计算的新思路.主要工作为:使用模块开发方式对脉冲神经网络软件开发库和OpenCL开发库进行了扩展、并将软件开发库中的重要模块重构成FPGA计算内核,使得软件开发库能够调用FPGA执行计算任务,最终达到利用两个库构建运行网络模型时能够同时满足易于开发、灵活性高、处理速度快、功耗低等要求的目的.基于MNIST图像数据集的图像分类实验表明,同一网络模型拓扑结构下,与在GPU上的软件模拟相比,提出方案的图像分类准确率并没有下降,同时以略微牺牲运行性能为代价,参考功率降低了约63.6%.

关键词： 脉冲耦合神经网络   图像分割   最小交叉熵   自动阈值分割  

摘要： 将简化的脉冲耦合神经网络模型改进,对神经元的连接强度和该模型中的常数动态门限衰减时间常数改进,实验得出固定输出的放大系数,简化了模型的参数个数,进而该简化模型的运行速度降低。并且将此改进的模型与最小交叉熵准则结合,将其应用于图像分割当中。通过计算机仿真实验表明,基于最小交叉熵的改进的简化脉冲耦合神经网络模型分割图像,对比于自动阈值分割,在图像上更能够保留原有的有效信息,并且去除边缘无效模糊信息。通过三种判定分割图像优劣的方法,相同像素的百分比、区域一致性参数三种判定图像分割优劣的方法对比可以得出,基于最小交叉熵的改进的简化脉冲耦合神经网络模型对图像进行分割所得的数值比自动阈值分割法的数值更加理想,从而可以看出,该方法优于自动阈值分割法。