스파이크 신경망의 특징 융합 및 주목 메커니즘을 활용하여 편광합성개구레이다 이미지 분류 = PolSAR image classification task utilizing the feature fusion and attention mechanisms of Spike Neural Network

국문 초록 (Abstract)

이 논문은 편광합성개구레이다(PolSAR, Polari metric Synthetic Aperture Radar) 영상 데이터 세트인 OpenSARShip 2.0 데이터 세트 를 기반으로 효율적인 이미지 분류를 수행하기 위해, Spiking ResNet-18 구조를 활용한 생물학적 영감을 받은 스파이킹 신경망 (SNN, Spiking Neural Network) 모델을 제안한다. 이중 입력 양상을 효과적으로 활용하기 위해 특징 융합(Feature Fusion)과 주목 메커니즘(Attention Mechanism)을 활용했다. 특징 융합은 초기 융합과 후기 융합을 add, mul, concat의 세 가지 방법으로 사용했고, 주목 메커니즘은 SCBAM(Spiking Channel and Block Attention Module)을 사용했다. 실험 결과, 두 채널을 동시에 활용한 초기 융합에서 concat 방식 을 적용한 방법이 78.37%의 가장 높은 정확도를 기록했고, 두 채널 을 각각 활용한 나머지 방법에서는 후기 융합이 전반적으로 더 좋 은 성능을 보여주었다. attention의 초기 융합에서 attention이 영상 특 징 파악을 방해하여 성능 저하가 일어났고, 후기 융합에서는 성능 향상을 보였다. 이러한 결과는 SNN에서 복잡한 PolSAR 영상을 활용할 때, 특징 융합과 attention 구조 선택이 성능에 영향을 미침을 보여준다. 주제어: 스파이크 뉴럴 네트워크, 합성개구레이더 영상 이미지, 이 미지 분류, 특징 융합, 주목 메커니즘, 뉴로모픽 컴퓨팅

목차 (Table of Contents)

• 제1장 서 론 1
• 제2장 이론적 배경 2
• 2.1 스파이크 뉴런 네트워크 2
• 2.2 스파이크 뉴런 모델 2
• 2.2.1 Hodgkin-Huxley 3
• 2.2.2 Integrate-and-Fire & Leaky Integrate-and-Fire 4
• 2.2.3 Izikevich 5
• 2.2.4 AdEx 6
• 2.3 Synaptic Models 6
• 2.3.1 Single Exponential Model 7
• 2.3.2 Double Exponential Model 7
• 2.4 SNN Learning Mechanism 7
• 2.4.1 Spike-Based Backpropagation 8
• 2.4.2 Spike-Time-Dependent Plasticity 8
• 2.4.3 ANN-to-SNN Conversion 9
• 2.5 Spike Encoding 9
• 2.5.1 Rate Coding 10
• 2.5.2 Time-to-first Spike Coding 10
• 2.5.3 Phase Coding 11
• 2.5.4 Burst Coding 11
• 제3장 제안하는 네트워크 12
• 3.1 공통 구조 12
• 3.1.1 입력 및 인코딩 12
• 3.1.2 Spiking ResNet-18 구조 12
• 3.1.3 SCBAM 13
• 3.2 특징 융합 전략 14
• 제4장 실험 결과 16
• 4.1 실험 설정 16
• 4.2 실험 결과 및 분석 17
• 4.2.1 융합 방법 및 주목 메커니즘의 영향 분석 17
• 4.2.2 모델의 에너지 효율성 분석 18
• 제5장 결 론 19
• 참 고 문 헌 20
• ABSTRACT 23