基于脉冲神经网络的物体检测 毕业论文+源码及数据

---

中文摘要i

Abstractii

1 引言1

1.1 研究背景.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 1

1.2 研究意义.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 2

1.3 论文组织与结构.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 2

2 脉冲神经网络4

2.1 学习算法.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 4

2.2 ANN 转化的 SNN.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . 5

2.2.1 国内外研究进展.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . 5

2.2.2 脉冲发放率和模拟激活值数学分析.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 5

2.3 ANN 操作的脉冲实现.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 7

2.3.1 偏置.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . 7

2.3.2 参数标准化.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . 7

2.3.3 BN 层的转化.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . 8

2.3.4 脉冲层中的最大池化.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 8

3 ANN 模型结构9

3.1 SSD.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . 9

3.1.1 基础网络.  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  .  . . 9

3.1.2 先验框11

3.1.3 损失函数11

3.2 YOLO12

3.2.1 网络结构12

3.2.2 损失函数13

3.2.3 预测部分13

4 SNN 模型结构15

4.1spiking­ssd15

4.1.1 获取最大激活值16

4.1.2 等价转换操作17

4.1.3 前向推理17

4.2spiking­yolo17

4.2.1 通道标准化17

4.2.2 不平衡阈值的带符号神经元18

4.2.3 解码方式19

5 实验结果21

5.1 数据集介绍21

5.2 实验指标介绍21

5.3 实验结果对比21

5.3.1ssd 与 spiking­ssd21

5.3.2yolo 与 spiking­yolo22

6 总结讨论24

6.1 数据对结果的影响24

6.2 影响模型结果的几个因素24

6.2.1 时间步长24

6.2.2 原始网络的效果24

6.2.3 转换单元的实现方式24

参考文献26

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（Convolutional Neural Networks, 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]