深度神经网络在关键视觉挑战（例如对象识别）中超过了人类的表现，但需要大量的能量，计算和记忆。相反，尖峰神经网络（SNN）具有提高对象识别系统的效率和生物学合理性的潜力。在这里，我们提出了一种SNN模型，该模型使用Spike-Latency编码和赢家全部抑制（WTA-I）有效地表示时尚MNIST数据集的视觉刺激。将刺激用中心旋转的接受场进行预处理，然后喂入一层尖刺神经元，其突触权重使用Spike-Timing依赖性塑性（STDP）进行更新。我们研究了代表对象的质量如何在不同的WTA-I方案下变化，并证明150个尖峰神经元的网络可以有效地表示40个尖峰的对象。研究如何使用SNN中的生物学上合理的学习规则来研究核心对象识别，这不仅可能进一步我们对大脑的理解，而且还会导致新颖而有效的人工视觉系统。
translated by 谷歌翻译