무작위 결합 신경망(RCNN)은 제한적인 신경 연결, 높은 계산 비용 및 확률적 특성 부족과 같은 기존 펄스 결합 신경망(PCNN)의 주요 문제를 동시에 해결합니다. RCNN은 신경 연결을 크게 확장하고 무작위 비활성화 프로세스를 통해 계산 부담을 줄이며 확률적 특성을 추가합니다. 이를 통해 RCNN은 이미지 분할, 융합 및 펄스 모양 식별 등의 응용 분야에서 강력하고 우수한 성능을 보여줍니다.
본 연구는 성능과 효율성을 동시에 향상시키기 위한 통합 ANN-to-SNN 변환 프레임워크를 제안한다. 적응형 발화 뉴런 모델(AdaFire)을 통해 SNN 성능을 크게 향상시키고, 민감도 스파이크 압축(SSC) 기술과 입력 인식 적응형 시간 단계(IAT) 기술을 통해 변환 과정의 에너지 소비와 지연을 줄인다.
본 논문은 스파이킹 신경망의 성능과 효율성을 동시에 향상시키기 위한 통합 변환 프레임워크를 제안한다. 적응형 발화 뉴런 모델(AdaFire)을 통해 각 층의 최적의 발화 패턴을 자동으로 탐색하여 성능을 향상시키고, 민감도 스파이크 압축(SSC) 기술과 입력 인식 적응형 시간 단계(IAT) 기술을 통해 에너지 소비와 지연 시간을 줄여 효율성을 높인다.
본 연구는 성능과 효율성을 동시에 향상시키기 위한 통합 ANN-to-SNN 변환 프레임워크를 제안한다. 적응형 발화 뉴런 모델(AdaFire)을 통해 SNN 성능을 크게 향상시키고, 민감도 스파이크 압축(SSC) 기술과 입력 인식 적응형 시간 단계(IAT) 기술을 통해 변환 과정의 에너지 소비와 지연을 줄인다.