Spiking neural networks (SNNs) equipped with latency coding and spike-timing dependent plasticity rules offer an alternative to solve the data and energy bottlenecks of standard computer vision approaches: they can learn visual features without supervision and can be implemented by ultra-low power hardware architectures. However, their performance in image classification has never been evaluated on recent image datasets. In this paper, we compare SNNs to autoencoders on three visual recognition datasets, and extend the use of SNNs to color images. The analysis of the results helps us identify some bottlenecks of SNNs: the limits of on-center/off-center coding, especially for color images, and the ineffectiveness of current inhibition mechanisms. These issues should be addressed to build effective SNNs for image recognition.

Spiking neural networks (SNNs) are good candidates to produce ultra-energy-efficient hardware. However, the performance of these models is currently behind traditional methods. Introducing multi-layered SNNs is a promising way to reduce this gap. We propose in this paper a new threshold adaptation system which uses a timestamp objective at which neurons should fire. We show that our method leads to state-of-the-art classification rates on the MNIST dataset (98.60%) and the Faces/Motorbikes dataset (99.46%) with an unsupervised SNN followed by a linear SVM. We also investigate the sparsity level of the network by testing different inhibition policies and STDP rules.

No abstract

No abstract

No abstract

L’architecture des systèmes numériques traditionnels est loin d’être optimale puisqu’un microprocesseur est tout autant une plaque chauffante qu’un calculateur (Intel Cooking [1]). Il devient donc urgent de proposer des architectures de traitement de l’information radicalement différentes, « neuro-inspirées », qui permettent d’apporter des fonctions cogni-tives aux solutions existantes. C’est ainsi que des neurones et synapses artificiels travaillant à faible tension d’alimentation ont été fabriqués, ce qui leur confère une très basse consommation d’énergie et une fabrication aisée. Ce stand montre à des jeunes lycéens et étudiants que l’utilisation de tels neurones et synapses dans un système de vision artificielle (capture et traitement d’images) conduira certainement à une forte amélioration des performances et, parallèlement, à une réduc-tion drastique de la consommation énergétique. Il s’agit d’une expérience pédagogique innovante, riche de nombreux supports variés, afin de transmettre aux jeunes générations les enjeux des activités de recherche qui se construisent dans les laboratoires de l’Université de Lille.

Le traitement neuroinspiré de l’information et le domaine des neurobiosystèmes sont deux pans de la recherche à fort potentiel de développement. Appliquées au domaine de la vision artificielle, elles visent au développement de nouvelles applications comme la conception d’implants rétiniens et/ou de caméras « intelligentes ». Des actions sont menées dans le domaine de la médiation scientifique et de la formation, au travers d’un stand à l’Xpérium et le développement d’une nouvelle unité d’enseignement (UE) appelée « Neuroengineering », intégrée au parcours de formation du Master « Biotechnologies » proposé à l’université de Lille. Le stand présenté à l’Xpérium montre à des jeunes lycéens et étudiants que l’utilisation d’architectures neuroinspirées dans un système de vision artificielle doit conduire à une forte amélioration des performances associée à une réduction de la consommation énergétique. Il s’agit d’une expérience pédagogique innovante auprès des jeunes générations montrant les enjeux des activités de recherche en construction dans les laboratoires. Pour l’UE Neuroengineering, les sujets abordés en séance permettent d’amener les étudiants vers la compréhension des Trends and challenges in neuroengineering (1), notamment en posant la question du développement de neuroprothèses électroniques intelligentes permettant une communication bidirectionnelle entre des neurones vivants et artificiels.