共振网络视觉场景理解，intel Loihi神经形态硬件适配代码

文章预览

Neuromorphic visual scene understanding with resonator networks 基于共振网络的神经形态视觉场景理解  https://arxiv.org/pdf/2208.12880 https:// codeocean .com/capsule/1211768/tree/v1 虽然Loihi速度较慢，但其能效高出几个数量级（图6A和B）。对于最大的网络规模，Loihi在能耗延迟乘积（EDP）方面效率高出171倍（图6C），并且随着网络规模的增加，其扩展性比CPU更好，这可能是由于稀疏的、基于事件的矩阵乘法[54]。 四个理念。 第一个理念是开发数据编码方案和生成模型，使绑定成为变化因素（如图像平移）的等变算子。 第二个理念是通过共振器网络在生成模型中计算推理，该网络通过在叠加中计算高效地搜索解空间[ 28]。 第三个理念解决了存在多个非交换变化因素的问题，如平移与图像旋转和缩放 。借鉴图像配准的经典方法，傅里叶-梅林变换[56-58]，我们提出了一种新颖的分层 ………………………………