[发明专利]一种基于SNN的图像识别软硬件系统

说明书

本发明公开了一种基于SNN的图像识别软硬件系统，由输入转换单元、中间计算单元和输出识别单元构成，分别完成输入图像的脉冲序列转换、中间脉冲的信息传递和模型最终的分类输出；输入转换单元主要包括预处理模块和滤波编码模块两部分，中间计算单元包括脉冲传递模块、竞争抑制模块和权重学习模块，输出识别单元包括全局池化模块和投票仲裁模块,实现了一种基于新型SNN自分类模型的端到端图像识别系统解决方案，并完成了关于异构计算平台的系统分布式部署与并行度优化，同时兼顾了硬件适配性和计算兼容性，提高了系统模型的整体运行效率。

技术领域

本发明涉及基于SNN的图像识别系统软硬件方案的实现，尤其涉及基于SNN的图像识别软硬件系统。

背景技术

人工智能在各研究领域掀起了新一轮的发展浪潮。同时随着传统行业与AI的联系愈发紧密，AI赋能也已逐渐成为万物互联背景下的技术热点。其中，人工神经网络作为实现人工智能的关键部分得到了研究工作者们的高度重视。ANN的发展过程大致可划分为三个阶段：从最初的第一代感知机简单计算模型，再上升到第二代全连接的多层连续网络模型，之后发展到现在的第三代基于脉冲传递形式的离散网络模型。SNN在生物学基础上更加具有可解释性，而且由于其基于脉冲信号进行信息传递的特点，能够有效降低神经网络模型的实时算力需求，具备高效率和低功耗两大优势，故更适合用于图像识别的轻量化系统解决方案的设计与实现。

在场景日益复杂且任务数量庞大的图像识别领域，传统的AI解决方案已经越来越难以满足用户端侧对于目标识别的实时性和能效比的要求，这使得AI的部分应用逐渐从服务器云端向用户设备终端过渡，因此需要提出一种新型的图像自分类脉冲神经网络模型，降低硬件运行资源占用和模型整体的复杂度。

发明内容

为了解决上述技术问题，本发明提供了一种基于SNN的图像识别软硬件系统，系统模型的信号输入输出过程具体可分为输入图像转换单元、中间脉冲传递单元和输出特征识别单元三大组成部分，分别完成输入图像的脉冲序列转换、中间脉冲的信息传递和模型最终的分类输出；此外还包含有竞争抑制模块、权重学习模块和系统配置文件等主要相关部分，以分别实现网络模型的调节机制、突触权重的训练方式和系统参数配置以及初始化工作。

输入转换单元主要包括格式化模块和滤波编码模块两部分，分别负责完成对于输入目标图像的格式化和对应输入的二维滤波编码以及脉冲序列转换。其中格式化模块能够在保留相关特征的同时减少输入目标数据，提高系统处理效率。滤波编码模块采用了高斯差分函数对于输入图像进行二维滤波处理，突出图像特征。编码处理的过程中，改进初始脉冲发放时间

其中，p_i为输入像素点灰度值，p_max和p_min分别为输入像素点灰度值的最大值和最小值，T为网络最长处理周期，L为网络模型层数。在经典的首脉冲时间编码的基础上规范脉冲发放的离散时刻，输入像素点灰度值被转换为网络最长处理周期T内的离散脉冲发放时刻，并且确保输入特征在T内能够连续传递。另外灰度值与脉冲发放时刻之间也呈现出反比例关系。线性离散编码使得一定灰度值范围内的同组输入神经元能够在对应时刻同时产生脉冲，从而精简了输入层的脉冲发放模式。

中间计算单元是SNN图像识别系统的核心组成部分，涵盖了中间脉冲的传递过程和网络权重的学习过程，是对应SNN模型的主体计算单元，同时也是关于网络复杂度优化设计的集中体现，其结构主要包括脉冲传递模块、竞争抑制模块和权重学习模块三个部分。

脉冲传递模块主要负责实现网络中间脉冲的信息传递，组成结构包括针对脉冲信号的脉冲卷积模块和脉冲池化模块，可分别对应于传统ANN模型中的卷积和池化运算过程。

卷积层计算的表达式如下：

后一层产生脉冲的表达式：