Análise da eficiência entre redes SNN’s e DNN’s sob mesma
representação
Redes Neurais de Impulsos, CNN, Reconhecimento de Gestos,
Redes Neurais
Redes Neurais de Impulso (Spiking Neural Net - SNNs) são modelos de redes
neurais inspirados na biologia do cérebro que acrescentam a característica
temporal das tarefas como fator importante. Elas são consideradas a
terceira geração de redes neurais artificiais, e são em teoria mais
poderosas que modelos de primeira e segunda geração. Porém, SNNs possuem um
desempenho inferior na prática em cenários onde redes neurais de segunda
geração tem ótimo desempenho, especialmente em tarefas de reconhecimento de
imagens estáticas. Particularmente, existem tipos de dados mais indicados
para SNNs e tipos mais indicados para redes neurais profundas (Deep Neural
Net - DNNs): SNNs tem melhor desempenho em fluxos de eventos esparsos
espacialmente e temporalmente, enquanto DNNs são melhores com dados
estáticos. Nas comparações de desempenho entre redes SNN's e DNN's na
literatura, normalmente usa-se o mesmo conjunto de dados para ambas, ou
tenta-se uma conversão dos dados entre as duas, situações que levam a
perdas de até 30% de acurácia dos modelos. Esse trabalho propõe uma nova
metodologia de comparação que não degenera o resultado das SNN's nem das
DNN's, usando a mesma representação e mesmo conjunto de dados para ambas. A
metodologia é então aplicada na comparação de modelos de visão
computacional de SNN's e DNN's para as bases de dados DVS128 e Soli,
obtendo resultados comparáveis ao estado da arte para ambos os casos.