시공간 특성 추출을 위한 합성곱 스파이킹 뉴럴 네트워크

스파이킹 뉴럴 네트워크(SNNs)는 이벤트 기반의 특성 덕분에 저전력 및 임베디드 시스템(예: 신규 뉴로모픽 칩)에서 활용될 수 있습니다. 또한, SNNs는 전통적인 인공 신경망(ANNs)과 비교하여 계산 비용이 낮은 장점이 있으며, ANNs의 특성을 유지합니다. 그러나, 컨볼루션 스파이킹 뉴럴 네트워크와 다른 유형의 SNNs에서의 시간적 코딩은 아직 연구되지 않았습니다. 본 논문에서는 이러한 특성을 활용하기 위해 설계된 실험을 통해 컨볼루션 SNNs의 공간-시간적 특징 추출에 대한 통찰력을 제공합니다. 얕은 컨볼루션 SNN은 C3D, ConvLSTM 등과 같은 최신 공간-시간적 특징 추출 방법을 능가하는 성능을 보였습니다. 또한, 우리는 실제 문제(특히 분류 작업)를 해결하기 위한 새로운 딥 스파이킹 아키텍처를 제시하며, 이 아키텍처는 NMNIST(99.6%), DVS-CIFAR10(69.2%), DVS-Gesture(96.7%) 데이터셋에서 다른 SNN 방법들보다 우수한 성능을 보였으며, UCF-101(42.1%), HMDB-51(21.5%) 데이터셋에서는 ANNs 방법들보다 더 나은 성능을 달성했습니다. 또한 주목할 만한 점은 본 논문에서 설명된 공간-시간적 역전파 알고리즘의 변형을 기반으로 학습 과정이 구현되었다는 것입니다.