Page 47 - 112-2小論文
P. 47

第三代人工智慧 SNN 模型原理解析與前景

                           表一：  SNN 及  ANN 模型的圖像辨識準確度

                            100.00%
                             90.00%
                             80.00%
                             70.00%
                             60.00%
                             50.00%
                             40.00%
                             30.00%
                             20.00%
                             10.00%
                              0.00%
                                                ImageNet                      CIFAR-10

                                                     SNN準確率      ANN準確率


            表一資料來源：研究者整理自 Roy,  K.,  Han,  B.,  &  Srinivasan,  G.  (2020).  RMP-SNN:  Residual
            Membrane  Potential  Neuron  for  Enabling  Deeper  High-Accuracy  and  Low-Latency  Spiking  Neural
            Network. IEEE , 33(12), 5546–5558. https://doi.org/10.1109/CVPR42600.2020.01357

                 4.     SNN 模型的生物真實性和穩健性

                           查詢文獻時  Eshraghian, J. k, et al. (2023)的一篇文章中點明此結果的另外一個方
                      向。其稱之為  Event-driven processing，譯為事件驅動處理，表示只因變化的數據激活，
                      而對數據不變的神經元抑制，可簡單總結為變化的輸入對比靜態輸入更敏感。由圖
                      二得知的全有全無的尖峰序列稀疏性這時便促進了脈衝神經元的激活與抑制。至此
                      我們繼而發現  SNN 的另外項優點：生物真實性、穩健性。

                           生物真實性  (Biological Plausibility)一詞近似於仿生性，但相較仿生性更加強調其
                      系統運作近似於生物的合理性。穩健  (Robustness)是指系統在面對變化和干擾時（如
                      面對黑盒攻擊），仍能保持其功能和性能的能力。

                      （一）  生物真實性

                                我們需要引入事件相機  ( event cameras)來協助介紹這兩項優勢。如下圖三
                           的下方所示，是一種動態視覺探測器  ( DVS)，以記錄像素點亮度或彩度變化的
                           事件，而非傳統相機由固定時間間隔捕捉整幅圖像。故其資料結構與  SNN 模型
                           天生具有極佳的契合度。








                                                            4
   42   43   44   45   46   47   48   49   50   51   52