.png){kind=icon}
返回
Memristor-Emulator-Based Crossbar Array for Object Detection and Recognition
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSI.2025.3553058.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标检测与识别对于自动驾驶车辆、监控系统以及人机交互至关重要。我们提出了一种基于尖峰神经网络（SNN）的新型全互补金属氧化物半导体（CMOS）电路系统，用于目标检测与识别。我们的整体CMOS电路集成了神经形态元件，包括漏电积分器-放电（LIF）神经元模型、基于尖峰时间依赖可塑性（STDP）的忆阻器突触以及基本的模拟和数字构建模块。学习机制采用一种完全不同的方法，基于异或门阵列来识别六种不同目标，适用于大小为256×6的交叉阵列。这是此类识别机制的首创。我们还通过灰度转换，使用大小为64×4的阵列进行手写数字识别。通过工艺角仿真、噪声分析和温度分析验证了所提出系统的鲁棒性。我们还通过混淆矩阵图展示了我们的设计在数字识别任务中的准确性，准确率达到82.5%。我们采用CMOS忆阻器模拟器STDP交叉点阵列架构的创先性方法，实现了每个神经元块的最小能耗，约为2.59pJ/神经元块，并考虑目标识别任务，整个系统的总能耗预算为663.66 pJ。
Keyword:
CMOS
memristor emulator
LIF
STDP
recognition
MNIST
期刊
IF:
5.2
论文数:
9.8K
被引数:
2.2W
机构
引用论文
A CMOS Spiking Neuron for Brain-Inspired Neural Networks With Resistive Synapses and In Situ Learning用于具有电阻突触和原位学习的大脑启发神经网络的CMOS尖峰神经元
OAAI
OAAI分享收藏Bit-Plane Extracted Moving-Object Detection Using Memristive Crossbar-CAM Arrays for Edge Computing Image Devices.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Current Multiplier Based Synapse and Neuron Circuits for Compact SNN Chip基于电流乘法器的紧凑型SNN芯片突触与神经元电路
PREAI
分享收藏
查看更多内容