用于训练脉冲神经网络的类脑数据增强方法

近年来，基于事件的数据集上开发类脑智能（使用脉冲神经网络（SNNs））吸引了大量研究关注。然而，由于基于事件的数据集规模有限，SNNs容易出现过拟合和收敛不稳定的问题。这一问题尚未被先前的学术研究充分探讨。为了最小化这种泛化差距，我们提出了一种类脑数据增强方法（Neuromorphic Data Augmentation, NDA），这是一系列专门为基于事件的数据集设计的几何增强方法，旨在显著稳定SNN的训练过程并减少训练与测试性能之间的泛化差距。所提出的方法简单且与现有的SNN训练流程兼容。利用该增强方法，我们首次展示了无监督对比学习在SNN中的可行性。我们在主流的类脑视觉基准数据集上进行了全面实验，结果表明NDA相比之前的最佳结果有显著提升。例如，在CIFAR10-DVS和N-Caltech 101数据集上，基于NDA的SNN分别实现了10.1%和13.7%的准确率提升。代码已发布在GitHub上：https://github.com/Intelligent-Computing-Lab-Yale/NDA_SNN