訪問【W(wǎng)RITE-BUG數(shù)字空間】_[內(nèi)附完整源碼和文檔]

研究的意義在于探索脈沖神經(jīng)網(wǎng)絡(luò)在目標檢測上的應(yīng)用，目前主流的脈沖神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法有直接BP訓(xùn)練、STDP無監(jiān)督訓(xùn)練和訓(xùn)練好的ANN的轉(zhuǎn)化，雖然訓(xùn)練算法眾多，但是SNN仍然沒有一套成熟的訓(xùn)練算法。比如在較大較深的網(wǎng)絡(luò)訓(xùn)練中，面臨著脈沖信號的編碼問題、訓(xùn)練開銷大等問題。詳細設(shè)計見md文件。

1 引言

1.1 研究背景

目標檢測是一種應(yīng)用特定計算機算法在圖像中找到所需目標的技術(shù)。近年來，隨著計算機硬件的不斷發(fā)展，目標檢測的各種算法也迎來了巨大的突破，越來越多地應(yīng)用于交通檢測、智能支付、醫(yī)療影像等各個方面。在計算機視覺中，目標檢測是要比圖像分類更復(fù)雜的一個問題，它不僅要清楚目標的類型，還需做到目標的定位。所以，物體檢測的難度更大，挑戰(zhàn)性更強，相應(yīng)的深度學(xué)習(xí)模型也會更加復(fù)雜。

目標檢測有許多算法，卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks,CNN）是其代表算法之一。它是一個前饋神經(jīng)網(wǎng)絡(luò)，具有卷積計算和深度結(jié)構(gòu)。目前，基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測算法大致可分為兩種模式，即twostage模式和onestage模式，twostage模式的檢測過程分為兩個步驟：首先由算法生成若干個候選框，再通過CNN對候選框進行分類；onestage模式則是端到端的學(xué)習(xí)，直接對對目標的置信概率和位置進行回歸，相對來說精度有所損失，但速度較twostage模式的算法更快。[1]

基于twostage的算法有：

RCNN:通過選擇性搜索（selectivesearch）來確定候選框，之后統(tǒng)一將候選框壓縮到大??；然后運用CNN對候選框進行特征提??；最后使用多個支持向量機（SVM）分類器分類輸出向量，采用邊界回歸生成目標區(qū)域[2]。

FastRCNN：仍然使用選擇性搜索來確定候選框，但將整張圖片輸入到CNN，在卷積特征層上使用感興趣區(qū)域（Regionofinterestpooling，ROIpooling）操作，并從特征圖中提取一個特定長度的特征向量；然后將特征向量輸入到全連接層，用softmax對其進行分類；最后對屬于同一特征的候選框進行分類并回歸其位置[3]。

FasterRCNN：使用RPN(RegionProposalNetwork)而不是選擇性搜索，大大減少了提取候選框的時間。將RPN和FastRCNN相結(jié)合，首先提取整張圖片的特征；再將特征結(jié)果輸入到RPN；然后使用ROI池化層固定候選框的大??；最后對屬于某一特征的候選框回歸和調(diào)整[4]。

基于onestage的算法有：

YOLOv1和許多后續(xù)的改進算法：YOLO系列算法是目前一種先進的目標檢測算法。因為整個檢測框架是一個整體，所以可以端到端地對算法的性能進行優(yōu)化。

SSD系列算法：采用多尺度特征圖用于檢測.，設(shè)置先驗框，采用卷積進行檢測。

脈沖神經(jīng)網(wǎng)絡(luò)（SpikingNeuralNetwork,SNN），起源于腦科學(xué)，由于其豐富的時空領(lǐng)域的神經(jīng)動力學(xué)特性、多樣的編碼機制和超低的功耗被譽為第三代神經(jīng)網(wǎng)絡(luò)。在此之前，神經(jīng)網(wǎng)絡(luò)經(jīng)歷了幾個發(fā)展階段：第一個階段是感知機階段，其可以模擬人類感知能力并由美國神經(jīng)學(xué)家FrankRosenblatt在BM704機上完成了仿真。第二個階段是基于聯(lián)結(jié)主義的多層人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)，其興起于二十世紀80年代中期。20世紀80年代末，分布式表達與反向傳播算法被提出。在2006年以后，深度卷積網(wǎng)絡(luò)占有重要地位，引領(lǐng)了近十幾年人工智能的發(fā)展[5]。

ANN各個深度學(xué)習(xí)領(lǐng)域（如計算機視覺和自然語言處理）取得了巨大的成功，但ANN在生物學(xué)上是不精確的，不能較準確地模仿生物大腦神經(jīng)元的運作機制，缺乏一定的生物可解釋性。為了使神經(jīng)網(wǎng)絡(luò)更加接近于人腦，SNN隨之誕生。但與ANN在各方面的廣泛應(yīng)用不同，SNN領(lǐng)域仍有許多問題有待解決，其研究仍然處于快速發(fā)展的早期階段。