基于脉冲神经网络的图像识别方法、装置、设备及介质与流程

本申请涉及人工智能，具体涉及一种基于脉冲神经网络的图像识别方法、装置、设备及介质。

背景技术：

1、人工神经网络(artificial neural networks，ann)是一种运算模型，用以对生物神经系统结构和功能进行抽象和模拟，在信息处理和模式识别等领域发挥着重要作用。其中，现代神经科学的实验表明，视觉、听觉等许多生物神经系统都采用神经元发放脉冲的时间来编码信息，而脉冲信号在神经系统中的运动是大脑可以进行思维的基础；因此，根据现代神经科学的最新研究成果，更具生物可解释性的第三代人工神经网络——脉冲神经网络(spiking neural networks，snn)应运而生，且其逐渐被应用于图像识别领域。

2、不过，无论是ann还是传统的snn，其上的突触均只用于对神经元的输出进行简单的线性加权，以致无法实现对图像的准确识别。

技术实现思路

1、本申请提供一种基于脉冲神经网络的图像识别方法、装置、设备及介质，可以解决现有技术中存在的传统脉冲神经网络无法准确进行图像识别技术问题。

2、第一方面，本申请实施例提供一种基于脉冲神经网络的图像识别方法，所述基于脉冲神经网络的图像识别方法包括：

3、对待识别图像进行脉冲转换，得到目标脉冲序列；

4、将所述目标脉冲序列输入至预设的目标脉冲神经网络进行识别，以得到与待识别图像对应的识别结果；

5、其中，目标脉冲神经网络包括依次连接的突触前输入神经元、具有时间维度的卷积核及突触后神经元，所述突触前输入神经元用于接收目标脉冲序列；所述卷积核用于对目标脉冲序列进行卷积处理，得到新的脉冲序列；所述突触后神经元用于对新的脉冲序列进行积分发放处理，以得到识别结果。

6、结合第一方面，在一种实施方式中，所述对新的脉冲序列进行积分发放处理，以得到识别结果，包括：

7、使各个突触后神经元分别对新的脉冲序列进行积分发放处理，得到多个脉冲发放频率；

8、从多个脉冲发放频率中筛选出最大的脉冲发放频率作为识别结果。

9、结合第一方面，在一种实施方式中，在所述突触后神经元对新的脉冲序列进行积分发放处理时，所述突触后神经元的膜电位电压累积为：

10、

11、式中，v(t)表示突触后神经元在第t时刻的膜电位电压累积，τm表示膜时间常数，v(t-1)表示突触后神经元在第t-1时刻的膜电位电压累积，y(t)表示第t时刻进入突触后神经元的脉冲幅度，vthresh表示膜电位电压累积阈值。

12、结合第一方面，在一种实施方式中，卷积核上的每个位置分别存在与其对应的突触权重。

13、第二方面，本申请实施例提供了一种基于脉冲神经网络的图像识别装置，所述基于脉冲神经网络的图像识别装置包括：

14、转换模块，其用于对待识别图像进行脉冲转换，得到目标脉冲序列；

15、识别模块，其用于将所述目标脉冲序列输入至预设的目标脉冲神经网络进行识别，以得到与待识别图像对应的识别结果；

16、其中，目标脉冲神经网络包括依次连接的突触前输入神经元、具有时间维度的卷积核及突触后神经元，所述突触前输入神经元用于接收目标脉冲序列；所述卷积核用于对目标脉冲序列进行卷积处理，得到新的脉冲序列；所述突触后神经元用于对新的脉冲序列进行积分发放处理，以得到识别结果。

17、结合第二方面，在一种实施方式中，所述识别模块具体用于：

18、使各个突触后神经元分别对新的脉冲序列进行积分发放处理，得到多个脉冲发放频率；

19、从多个脉冲发放频率中筛选出最大的脉冲发放频率作为识别结果。

20、结合第二方面，在一种实施方式中，在所述突触后神经元对新的脉冲序列进行积分发放处理时，所述突触后神经元的膜电位电压累积为：

21、

22、式中，v(t)表示突触后神经元在第t时刻的膜电位电压累积，τm表示膜时间常数，v(t-1)表示突触后神经元在第t-1时刻的膜电位电压累积，y(t)表示第t时刻进入突触后神经元的脉冲幅度，vthresh表示膜电位电压累积阈值。

23、结合第二方面，在一种实施方式中，卷积核上的每个位置分别存在与其对应的突触权重。

24、第三方面，本申请实施例提供了一种基于脉冲神经网络的图像识别设备，所述基于脉冲神经网络的图像识别设备包括处理器、存储器以及存储在所述存储器上并可被所述处理器执行的基于脉冲神经网络的图像识别程序，其中所述基于脉冲神经网络的图像识别程序被所述处理器执行时，实现如前述的基于脉冲神经网络的图像识别方法的步骤。

25、第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有基于脉冲神经网络的图像识别程序，其中所述基于脉冲神经网络的图像识别程序被处理器执行时，实现如前述的基于脉冲神经网络的图像识别方法的步骤。

26、本申请实施例提供的技术方案带来的有益效果包括：

27、通过脉冲神经网络中的卷积核对待识别图像对应的目标脉冲序列进行卷积处理，以影响突触后神经元的膜电位电压累积，使得突触后神经元的脉冲发放发生改变，进而增加神经网络的表达能力，以使脉冲神经网络可以表达出更为丰富的特征，从而能够更为准确地进行待识别图像的识别，解决了相关技术中存在的传统脉冲神经网络无法准确进行图像识别技术问题。

技术特征：

1.一种基于脉冲神经网络的图像识别方法，其特征在于，所述基于脉冲神经网络的图像识别方法包括：

2.如权利要求1所述的基于脉冲神经网络的图像识别方法，其特征在于，所述对新的脉冲序列进行积分发放处理，以得到识别结果，包括：

3.如权利要求1所述的基于脉冲神经网络的图像识别方法，其特征在于，在所述突触后神经元对新的脉冲序列进行积分发放处理时，所述突触后神经元的膜电位电压累积为：

4.如权利要求1所述的基于脉冲神经网络的图像识别方法，其特征在于：卷积核上的每个位置分别存在与其对应的突触权重。

5.一种基于脉冲神经网络的图像识别装置，其特征在于，所述基于脉冲神经网络的图像识别装置包括：

6.如权利要求5所述的基于脉冲神经网络的图像识别装置，其特征在于，所述识别模块具体用于：

7.如权利要求5所述的基于脉冲神经网络的图像识别装置，其特征在于，在所述突触后神经元对新的脉冲序列进行积分发放处理时，所述突触后神经元的膜电位电压累积为：

8.如权利要求5所述的基于脉冲神经网络的图像识别装置，其特征在于：卷积核上的每个位置分别存在与其对应的突触权重。

9.一种基于脉冲神经网络的图像识别设备，其特征在于，所述基于脉冲神经网络的图像识别设备包括处理器、存储器以及存储在所述存储器上并可被所述处理器执行的基于脉冲神经网络的图像识别程序，其中所述基于脉冲神经网络的图像识别程序被所述处理器执行时，实现如权利要求1至4中任一项所述的基于脉冲神经网络的图像识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于脉冲神经网络的图像识别程序，其中所述基于脉冲神经网络的图像识别程序被处理器执行时，实现如权利要求1至4中任一项所述的基于脉冲神经网络的图像识别方法的步骤。

技术总结
一种基于脉冲神经网络的图像识别方法、装置、设备及介质，涉及人工智能技术领域，包括对待识别图像进行脉冲转换，得到目标脉冲序列；将目标脉冲序列输入至预设的目标脉冲神经网络进行识别，以得到与待识别图像对应的识别结果；其中，目标脉冲神经网络包括依次连接的突触前输入神经元、具有时间维度的卷积核及突触后神经元，突触前输入神经元用于接收目标脉冲序列；卷积核用于对目标脉冲序列进行卷积处理，得到新的脉冲序列；突触后神经元用于对新的脉冲序列进行积分发放处理，以得到识别结果。通过脉冲神经网络中的卷积核对待识别图像对应的目标脉冲序列进行卷积处理，能够更为准确地进行待识别图像的识别。

技术研发人员：柯特,朱盈,肖希
受保护的技术使用者：武汉邮电科学研究院有限公司
技术研发日：
技术公布日：2024/9/5