.png){kind=icon}
返回
Lightweight efficient spiking-UNet based on bidirectional multi-threshold LIF neuron
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133183.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脉冲神经网络（SNNs）由于具有事件驱动和生物可解释的特性，在资源受限的边缘图像处理中展现出显著潜力。然而，现有的SNNs主要采用Leaky-Integrate-and-Fire（LIF）或Integrate-and-Fire（IF）神经元，其单阈值触发和单向正脉冲发放机制忽略了膜电位强度和负膜电位信息，导致SNNs内部信息严重丢失。受生物神经元层次响应和双向调节机制的启发，本文提出了一种双向多阈值LIF（BMT-LIF）神经元模型。基于此BMT-LIF神经元，构建了一种轻量高效的脉冲UNet（LES-UNet）。BMT-LIF神经元实现了膜电位的可学习双向多级阈值编码，显著缓解了信息丢失问题。LES-UNet采用简化的编码器-解码器架构，仅需两个下采样和上采样步骤，相比传统U-Net将参数量减少了约94%。此外，提出了一种多阈值梯度贡献机制，通过分别计算BMT-LIF神经元每个阈值的替代梯度并进行加权求和，实现了LES-UNet的直接训练。实验结果表明，LES-UNet在DRIVE图像分割数据集上仅需3个时间步即可达到0.820的F1分数；在BSD68图像去噪数据集（高斯噪声强度为25）上，仅需3个时间步即可达到28.76 dB的PSNR。与传统的U-Net和其他脉冲UNet架构相比，LES-UNet在保持相当图像处理性能的同时实现了更快的推理速度。因此，所提出的LES-UNet在轻量级架构、推理时间和图像处理有效性方面展现出优势。
Keyword:
Spiking Neural Networks
Bidirectional Multi-threshold LIF neuron
Lightweight Architecture
Image Segmentation
Efficient Inference
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
Spiking Trans-YOLO: A range-adaptive energy-efficient bridge between YOLO and Transformer脉冲跨域YOLO：一种范围自适应且节能的YOLO与Transformer之间的桥梁.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏SU-YOLO: Spiking neural network for efficient underwater object detectionSU-YOLO：用于高效水下目标检测的脉冲神经网络NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Adaptation and learning of spatio-temporal thresholds in spiking neural networks时空阈值在脉冲神经网络中的适应与学习
PREAI
分享收藏Spiking Neural Network for Ultralow-Latency and High-Accurate Object Detection用于超低延迟和高精度目标检测的尖峰神经网络
OAAI
OAAI分享收藏
查看更多内容