스파이킹 뉴럴 네트워크의 다양한 인코딩 기법에 따른 영상 분류 성능 분석 (Analysis of Image Classification Performance on Various Encoding Methods In Spiking Neural Networks)

서지정보

· 발행기관 : 한국방송∙미디어공학회
· 수록지 정보 : 방송공학회 논문지 / 29권 / 5호 / 739 ~ 747페이지
· 저자명 : 오범석, 김선옥

초록

인간의 신경 시스템을 모방한 스파이킹 뉴럴 네트워크(Spiking Neural Networks, SNNs)는 3세대 인공 신경망으로, 인공 신경망(ANNs)에 비해 낮은 전력 소모량, 높은 에너지 효율성을 띠며 많은 연구자들의 관심을 받고 있다[1]. 그러나 SNN은 이산적인 스파이킹 신호를 처리하므로 부동소수점 연산인 ANN과 다르게 오차 역전파를 이용한 학습에 어려움이 있어 성능이 낮고, 입력 이미지에 대해 이산 스파이킹 신호로 변환해 주는 과정인 인코딩이 필요하다[2]. 본 연구에서는 입력 이미지를 이산 스파이킹 신호로 변환하는 각종 인코딩 기법에 관해 탐구하며 인코딩이 적용된 SNN과 ANN에 데이터 증강 기법을 적용해 실험을 진행한다. 일반 컬러 이미지와합성 개구 레이더(Synthetic Aperture Radar, SAR) 영상을 이용해 동일한 조건에서의 성능을 비교 및 분석하고, 저전력의 환경에서SNN이 ANN을 대체하여 분류 문제를 수행할 수 있음을 시사하고자 한다.

영어초록

Spiking Neural Networks (SNNs), which mimic the human nervous system, are the third generation of Artificial NeuralNetworks (ANNs) and have attracted the attention of many researchers due to their low power consumption and high energyefficiency compared to Artificial Neural Networks (ANNs)[1]. However, SNNs process discrete spiking signals, so unlike ANNs,which are floating-point operations, they have difficulty learning using error backpropagation, resulting in low performance, andrequire encoding, a process that converts input images into discrete spiking signals[2]. In this study, we explore various encodingtechniques to convert input images into discrete spiking signals and apply data augmentation techniques to SNNs and ANNs withencoding techniques. We use color images and Synthetic Aperture Radar (SAR) images to compare and analyze their performanceunder the same conditions, and suggest that SNNs can replace ANNs for classification problems in low-power environments.

참고자료

· 없음