-
公开(公告)号：CN110826602B
公开(公告)日：2022-04-26
申请号：CN201911014227.0
申请日：2019-10-23
Applicant: 中国科学院自动化研究所
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06N3/04
Abstract: 本发明属于计算神经科学及图像分类技术领域，具体涉及了一种基于膜电位调控脉冲神经网络的图像分类方法、系统，旨在解决现有图像分类采用的人工神经网络小样本学习效果差、容易发生过拟合、迁移能力有限、容易出现灾难性遗忘的问题。本发明方法包括：通过训练好的图像分类神经网络对分类任务图像进行分类。网络基于三层前馈神经网络构建；基于顺行前馈、膜电位改变和输入电流平衡，分别进行膜电位信息更新；以网络当前层的误差反传上一层调整当前层权值；通过STDP学习机制更新网络突触权值。本发明借鉴生物发现，网络训练所需样本少、收敛快、正确率高，并将受生物现象启发的学习规则加入到网络学习框架中来，模型计算能力强、适应能力高。
-
公开(公告)号：CN109919978B
公开(公告)日：2021-03-16
申请号：CN201910170679.1
申请日：2019-03-07
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种受丘脑注意机制调控的多层视皮层信息融合的视觉跟踪方法及系统，所述视觉跟踪方法包括：从视频中的第一帧中获取待跟踪目标以及位置标签；基于预训练卷积神经网络模型，获取第一帧中待跟踪目标的不同卷积层的特征；根据位置标签，构建高斯标签；通过相关滤波得到各卷积层的模板；针对新的一帧，在前一帧的中心中裁剪出待搜索区域，利用相关滤波，以及各卷积层的模板，得到各卷积层的响应；利用空间注意机制以及时间注意机制动态调整其他层的响应的权重；根据调整后的其他层的权重，确定待跟踪目标的所在位置。本发明对于不同视皮层分配不同的权重，将不同层视觉特征去动态组合到一起，实现视觉跟踪性能的有效提升。
-
公开(公告)号：CN109919978A
公开(公告)日：2019-06-21
申请号：CN201910170679.1
申请日：2019-03-07
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供一种受丘脑注意机制调控的多层视皮层信息融合的视觉跟踪方法及系统，所述视觉跟踪方法包括：从视频中的第一帧中获取待跟踪目标以及位置标签；基于预训练卷积神经网络模型，获取第一帧中待跟踪目标的不同卷积层的特征；根据位置标签，构建高斯标签；通过相关滤波得到各卷积层的模板；针对新的一帧，在前一帧的中心中裁剪出待搜索区域，利用相关滤波，以及各卷积层的模板，得到各卷积层的响应；利用空间注意机制以及时间注意机制动态调整其他层的响应的权重；根据调整后的其他层的权重，确定待跟踪目标的所在位置。本发明对于不同视皮层分配不同的权重，将不同层视觉特征去动态组合到一起，实现视觉跟踪性能的有效提升。
-
公开(公告)号：CN110781951B
公开(公告)日：2022-06-24
申请号：CN201911013553.X
申请日：2019-10-23
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于类脑智能、人工智能领域，具体涉及一种基于丘脑动态分配的多视皮层信息融合的视觉跟踪方法、系统、装置，旨在解决视觉跟踪方法中不同层之间的信息被同等对待或重要性被固定导致跟踪精度低的问题。本系统方法包括从视频的第t帧图像中获取待跟踪目标的图像及位置标签；对预设的第一网络模型进行训练并更新；令t＝t+1，通过第一网络模型获取待跟踪目标在第t帧图像中的位置标签；获取所述待跟踪目标在第t帧的图像；若t为预设值n的倍数，依次将第一图像更新为所述待跟踪目标在第t‑n+1帧至第t帧的图像，对第一网络模型进行训练并跟新，否则继续跟踪。本发明动态分配不同层的重要性，提高了跟踪精度。
-
公开(公告)号：CN112085198A
公开(公告)日：2020-12-15
申请号：CN202010992134.1
申请日：2020-09-21
Applicant: 中国科学院自动化研究所
IPC: G06N3/08
Abstract: 本发明提出了一种基于全局反馈以及局部突触可塑的脉冲神经网络优化方法，所述脉冲神经网络的神经元采用LIF模型，所述脉冲神经网络优化方法包括以下步骤：S100，基于训练样本对所述脉冲神经网络进行训练，获取前馈过程中各神经元的状态Oi；S200，基于各神经元的状态Oi及训练样本中的输出目标，计算预测误差e；S300，基于反馈连接和所述预测误差e，计算各隐层的输出目标S400，基于各神经元的状态Oi、各隐层的输出目标依据局部突触可塑性法则更新所述脉冲神经网络中权重；S500，重复S100至S400，直至得到预设优化结束条件，得到所述脉冲神经网络优化后的网络模型。本发明可以提高脉冲神经网络的学习能力。
-
Patent Agency Ranking
公开(公告)号：CN110781951A
公开(公告)日：2020-02-11
申请号：CN201911013553.X
申请日：2019-10-23
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于类脑智能、人工智能领域，具体涉及一种基于丘脑动态分配的多视皮层信息融合的视觉跟踪方法、系统、装置，旨在解决视觉跟踪方法中不同层之间的信息被同等对待或重要性被固定导致跟踪精度低的问题。本系统方法包括从视频的第t帧图像中获取待跟踪目标的图像及位置标签；对预设的第一网络模型进行训练并更新；令t＝t+1，通过第一网络模型获取待跟踪目标在第t帧图像中的位置标签；获取所述待跟踪目标在第t帧的图像；若t为预设值n的倍数，依次将第一图像更新为所述待跟踪目标在第t-n+1帧至第t帧的图像，对第一网络模型进行训练并跟新，否则继续跟踪。本发明动态分配不同层的重要性，提高了跟踪精度。
-
公开(公告)号：CN112116010A
公开(公告)日：2020-12-22
申请号：CN202010995633.6
申请日：2020-09-21
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于类脑智能、人工智能领域，具体涉及一种基于膜电势预处理的ANN‑SNN转换的分类方法，旨在解决现有的ANN‑SNN转换方法获取的脉冲神经网络存在较大的时间延迟以及网络分类性能较低的问题。本系统方法包括获取待分类数据并进行实值编码，将实值编码后的数据作为输入数据；将输入数据输入通过ANN‑SNN转换后的脉冲神经网络中，结合IF神经元的软重置，通过设定时间步长的膜电势预处理，得到预初始化的膜电势信息；将输入数据重新输入所述脉冲神经网络中，结合预初始化的膜电势信息，通过前向传播得到待分类数据的分类结果。本发明提高了收敛速度，减小了时间延迟，并提高了网络的分类性能。
-
公开(公告)号：CN112070228A
公开(公告)日：2020-12-11
申请号：CN202010979246.3
申请日：2020-09-17
Applicant: 中国科学院自动化研究所
IPC: G06N3/08
Abstract: 本发明属于类脑智能、人工智能领域，具体涉及一种基于脉冲神经网络模型增量学习的分类方法、系统、装置，旨在解决现有增量学习方法无法自适应的学习新类别进行分类的问题。本系统方法包括获取待分类的样本数据集；通过脉冲神经网络模型获取各数据的分类输出值，并计算每一类分类输出值的均值，作为平均输出值；计算分类输出值与各平均输出值的差值，若最小差值小于设定阈值，则将该最小差值对应的平均输出值所属的类作为当前数据的最终分类结果；否则在脉冲神经网络模型输出层中增加一个皮质柱模型，更新输出层上一层与皮质柱模型的连接权重；若获取所有数据的最终分类结果，则结束。本发明解决了现有增量学习无法自适应的学习新的类别的问题。
-
公开(公告)号：CN108304856B
公开(公告)日：2020-02-28
申请号：CN201711332985.8
申请日：2017-12-13
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及类脑智能和人工智能领域，具体涉及一种基于皮层丘脑计算模型的图像分类方法。旨在解决传统人工神经网络中浪费训练数据和训练神经网络过程中所需计算量较大的问题。本发明基于轮廓先验神经网络N1、融合丘脑调控作用的神经网络N2，分别对输入图像进行分类标记的预测，并按照预设的权值对两个预测结果进行融合得到所述输入图像的分类。本发明在小样本数据训练情况下利用MNIST数据集和FashionMNIST数据集进行图像分类测试，测试结果表明基于皮层丘脑计算模型的图像分类方法其性能均比传统的人工神经网络优异。
-
公开(公告)号：CN110826602A
公开(公告)日：2020-02-21
申请号：CN201911014227.0
申请日：2019-10-23
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于计算神经科学及图像分类技术领域，具体涉及了一种基于膜电位调控脉冲神经网络的图像分类方法、系统，旨在解决现有图像分类采用的人工神经网络小样本学习效果差、容易发生过拟合、迁移能力有限、容易出现灾难性遗忘的问题。本发明方法包括：通过训练好的图像分类神经网络对分类任务图像进行分类。网络基于三层前馈神经网络构建；基于顺行前馈、膜电位改变和输入电流平衡，分别进行膜电位信息更新；以网络当前层的误差反传上一层调整当前层权值；通过STDP学习机制更新网络突触权值。本发明借鉴生物发现，网络训练所需样本少、收敛快、正确率高，并将受生物现象启发的学习规则加入到网络学习框架中来，模型计算能力强、适应能力高。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.025 seconds)
