基于脉冲神经网络的物体检测

访问【WRITE-BUG数字空间】_[内附完整源码和文档]

研究的意义在于探索脉冲神经网络在目标检测上的应用，目前主流的脉冲神经网络训练算法有直接BP训练、STDP无监督训练和训练好的ANN的转化，虽然训练算法众多，但是SNN仍然没有一套成熟的训练算法。比如在较大较深的网络训练中，面临着脉冲信号的编码问题、训练开销大等问题。详细设计见md文件。

1 引言
1.1 研究背景
目标检测是一种应用特定计算机算法在图像中找到所需目标的技术。近年来，随着计算机硬件的不断发展，目标检测的各种算法也迎来了巨大的突破，越来越多地应用于交通检测、智能支付、医疗影像等各个方面。在计算机视觉中，目标检测是要比图像分类更复杂的一个问题，它不仅要清楚目标的类型，还需做到目标的定位。所以，物体检测的难度更大，挑战性更强，相应的深度学习模型也会更加复杂。

目标检测有许多算法，卷积神经网络（ConvolutionalNeuralNetworks,CNN）是其代表算法之一。它是一个前馈神经网络，具有卷积计算和深度结构。目前，基于卷积神经网络的目标检测算法大致可分为两种模式，即twostage模式和onestage模式，twostage模式的检测过程分为两个步骤：首先由算法生成若干个候选框，再通过CNN对候选框进行分类；onestage模式则是端到端的学习，直接对对目标的置信概率和位置进行回归，相对来说精度有所损失，但速度较twostage模式的算法更快。[1]

基于twostage的算法有：

RCNN:通过选择性搜索（selectivesearch）来确定候选框，之后统一将候选框压缩到大小；然后运用CNN对候选框进行特征提取；最后使用多个支持向量机（SVM）分类器分类输出向量，采用边界回归生成目标区域[2]。

FastRCNN：仍然使用选择性搜索来确定候选框，但将整张图片输入到CNN，在卷积特征层上使用感兴趣区域（Regionofinterestpooling，ROIpooling）操作，并从特征图中提取一个特定长度的特征向量；然后将特征向量输入到全连接层，用softmax对其进行分类；最后对属于同一特征的候选框进行分类并回归其位置[3]。

FasterRCNN：使用RPN(RegionProposalNetwork)而不是选择性搜索，大大减少了提取候选框的时间。将RPN和FastRCNN相结合，首先提取整张图片的特征；再将特征结果输入到RPN；然后使用ROI池化层固定候选框的大小；最后对属于某一特征的候选框回归和调整[4]。

基于onestage的算法有：

YOLOv1和许多后续的改进算法：YOLO系列算法是目前一种先进的目标检测算法。因为整个检测框架是一个整体，所以可以端到端地对算法的性能进行优化。

SSD系列算法：采用多尺度特征图用于检测.，设置先验框，采用卷积进行检测。

脉冲神经网络（SpikingNeuralNetwork,SNN），起源于脑科学，由于其丰富的时空领域的神经动力学特性、多样的编码机制和超低的功耗被誉为第三代神经网络。在此之前，神经网络经历了几个发展阶段：第一个阶段是感知机阶段，其可以模拟人类感知能力并由美国神经学家FrankRosenblatt在BM704机上完成了仿真。第二个阶段是基于联结主义的多层人工神经网络(ArtificialNeuralNetwork,ANN)，其兴起于二十世纪80年代中期。20世纪80年代末，分布式表达与反向传播算法被提出。在2006年以后，深度卷积网络占有重要地位，引领了近十几年人工智能的发展[5]。

ANN各个深度学习领域（如计算机视觉和自然语言处理）取得了巨大的成功，但ANN在生物学上是不精确的，不能较准确地模仿生物大脑神经元的运作机制，缺乏一定的生物可解释性。为了使神经网络更加接近于人脑，SNN随之诞生。但与ANN在各方面的广泛应用不同，SNN领域仍有许多问题有待解决，其研究仍然处于快速发展的早期阶段。