畳み込みスパイキングニューラルネットワークを用いた時空間特徴量の抽出

スパイキングニューラルネットワーク（SNNs）は、イベント駆動型の特性により、低消費電力および組み込みシステム（例えば新興のニューモルフィックチップ）に利用することができます。また、従来の人工ニューラルネットワーク（ANNs）と比較して低い計算コストで、ANNの特性を保つという利点があります。しかし、畳み込みスパイキングニューラルネットワークやその他のSNNタイプにおける時間的な符号化についてはまだ研究が十分に行われていません。本論文では、この特性を活用するための実験を通じて、畳み込みSNNの空間時間特徴抽出について洞察を提供します。浅い畳み込みSNNはC3D、ConvLSTMなどの最先端の空間時間特徴抽出手法を上回る性能を示しました。さらに、我々は新しい深層スパイキングアーキテクチャを提案し、実世界の問題（特に分類タスク）に対処するために使用しました。このアーキテクチャはNMNIST（99.6%）、DVS-CIFAR10（69.2%）、DVS-Gesture（96.7%）データセットにおいて他のSNN手法よりも優れた性能を達成し、UCF-101（42.1%）、HMDB-51（21.5%）データセットにおいてもANN手法よりも高い性能を発揮しました。また、学習プロセスは論文中で説明されている空間時間バックプロパゲーションの変種に基づいて実装されています。以上が翻訳となります。ご確認ください。