Key points are not available for this paper at this time.
بفضل الشبكات العصبية العميقة (DNNs)، حقق دقة اكتشاف الكلمات الرئيسية (KWS) تقدمًا كبيرًا. ومع ذلك، نظرًا لأنه يتم عادة تنفيذ أنظمة KWS على أجهزة الحافة، تصبح كفاءة الطاقة مطلبًا حيويًا بجانب الأداء. هنا، نستفيد من كفاءة الطاقة في الشبكات العصبية النبضية ونقترح نموذج KWS خفيف الوزن من النهاية إلى النهاية. يتكون النموذج من وحدتين مبتكرتين: 1) وحدة الالتفاف النبضي العالمي والمحلي (GLSC) و 2) وحدة عنق الزجاجة-PLIF. بالمقارنة مع طرق استخراج الميزات اليدوية، تحقق وحدة GLSC استخراج ميزات الكلام التي تكون أكثر تواضعًا، وأكثر كفاءة في استهلاك الطاقة، وتحقق أداءً أفضل. تقوم وحدة عنق الزجاجة-PLIF بمعالجة الإشارات من وحدة GLSC بهدف تحقيق دقة أعلى بأعداد أقل من المعلمات. تم إجراء تجارب موسعة على مجموعة بيانات أوامر الكلام من جوجل (V1 و V2). تظهر النتائج أن طريقتنا تحقق أداءً تنافسيًا بين نماذج KWS المعتمدة على SNN بأعداد أقل من المعلمات.
درس وانغ وآخرون (سون،) هذا السؤال.