[发明专利]基于无监督匹配追踪编码的仿脑架构图像识别方法

说明书

本发明公开基于无监督匹配追踪编码的仿脑架构图像识别方法。将之与高效的多脉冲学习算法TDP相结合，提出了一种新的基于无监督匹配追踪编码的仿脑架构进行图像识别任务。主要步骤为：对输入数据进行预处理；无监督匹配追踪时序编码；多脉冲学习。大幅度提升了时序SNN在图像识别任务上面的识别准确率和鲁棒性，更加接近人脑处理外界信息的方式，为图像识别技术提供了新的技术思路。

技术领域

本发明属于类脑计算、图像识别领域，尤其是有关提高基于时序编码的脉冲神经网络模型在图像识别上表现的技术，具体涉及一种基于无监督匹配追踪编码的仿脑架构图像识别方法。

背景技术

模式识别是人脑杰出认知能力的体现之一。例如，人类可以在很短的时间内区分不同的物体。科学实验表明神经元使用脉冲在大脑中传递和处理信息。因此，脉冲在高效的信息处理中起着至关重要的作用。受“脉冲”形式的启发，第三代神经网络，即脉冲神经网络(SNN)，被开发来探索大脑中基于脉冲的信息处理过程。

然而，如何设计一个具有生物合理性并且高效可行的脉冲神经网络框架进行图像识别仍是一个艰难的任务。就采用的编码方案而言，之前的工作可以分为两大类：基于速率编码的和基于时序编码的SNN。速率编码使用发射频率来表示不同的信息。较高的发射速率会导致编码窗口内出现更多数量的脉冲。基于速率编码，近年来研究者开发了多种用于图像分类的SNN，并取得了良好的性能。然而，它们中的大多数都使用了复杂的网络结构和高密度的脉冲，这使得他们的计算形式与非脉冲神经网络相似。因此，它们的计算效率仍是一个亟需解决的问题。另一方面，时序编码使用精确的脉冲发射时间来传递信息。由于使用了时序结构，时序编码具有更高的信息表示能力和更好的计算效率。但是，如何设计一个有效的基于时序编码的SNN仍然是一个难题。在之前的研究中，研究者已经开发了几种不同的基于时序编码的SNN来进行图像识别，例如Restricted Boltzmann Machine，S1C1-SNN和CSNN。尽管这些方法可以将信息编码成稀疏的时序脉冲时空图，并且具有轻量的网络结构，但它们在准确性方面的表现相对较差。

发明内容

本发明首先提出了一种更加高效且具有生物可信度的无监督匹配追踪的时序编码方法，之后将之与高效的多脉冲学习算法TDP相结合，提出了一种新的基于无监督匹配追踪编码的仿脑架构进行图像识别任务。我们的方法大幅度提升了时序SNN在图像识别任务上面的识别准确率和鲁棒性，更加接近人脑处理外界信息的方式，为图像识别技术提供了新的技术思路。

本发明提出了一种基于无监督匹配追踪编码的仿脑架构图像识别方法。整个系统主要包括以下三个部分：数据预处理、时序编码和多脉冲学习。具体的技术方案如下：

步骤一，对输入数据进行预处理：

将图像转换成灰度图像，然后对图像进行归一化处理。

步骤二，对图像进行时序编码：

首先，计算编码神经元的激活值:

其中：是输入图像I在位置的像素值；φ_i和R_i分别表示神经元的权重向量和感受野。

然后，选择具有最强激活水平的神经元发射脉冲，同时发送侧向抑制到其他的神经元。

反复进行这个选择和抑制的过程，直到没有神经元的激活值达到脉冲发射阈值为止。这等同于从图像中删除最佳匹配单元，然后让得到的残差继续进行下一步的迭代。

以t＝0时刻为例，首先我们将初始时刻的图像I⁰和神经元激活值设置成I和A_i。之后选择有最大激活水平的神经元发射脉冲。

i⁰表示发射神经元的索引值，该神经元对应的激活值表示为侧向抑制通过在I⁰中减去该神经元的特征实现，公式表示如下: