階層的残差量子化と時間的誤差補償に基づくスパイキングニューラルネットワークによるリモートセンシング物体検出

従来の人工ニューラルネットワーク（ANN）と比較して、スパイキングニューラルネットワーク（SNN）は、計算の複雑さが低く、エネルギー消費が少なく、推論速度が速いため、エッジデバイスでの実装においてより有望です。しかし、SNNでは、ニューロンの出力スパイクが離散的であるため、特に膜電位がバイナリスパイクに量子化されると情報損失が発生する可能性があり、量子化誤差はモデルの精度劣化や情報損失を引き起こす可能性があります。これらの課題に対処するため、本研究では、階層的残差量子化と時間的誤差補償に基づくスパイキングニューラルネットワーク（HRQ-TEC-SNN）を提案し、リモートセンシング物体検出タスクに使用します。階層的残差量子化と時間的誤差補償の設計によって、膜電位の高解像度量子化を行い、量子化プロセス中に導入された誤差を補償するために膜電位の量子化閾値を動的に調整できるようにし、各時刻での微調整を可能にして粗い量子化による情報損失を減少させます。ネットワーク構造に関しては、深さ方向に分離可能な畳み込みモジュール、チャネル注意と空間注意機構を導入し、パルスニューラルネットワークに基づく高速空間ピラミッドプーリングを統合することで、モデルの検出精度をさらに向上させるとともに、モデルパラメータの数と計算コストを削減しました。実験結果は、HRQ-TEC-SNNがDOTAv1.0、DOTAv1.5、およびDIORデータセットにおいて精度とエネルギー消費の両方で著しい利点を達成することを示しています。