IEEE2015摘要本文分析了深度ANN转换SNN中，脉冲神经元的参数影响（如放电率和阈值），并提出了一组优化技术（使用0偏置的ReLU，Model-based和Data-based两种新的归一化方法调节放电率），减少ConvNets和全连接深度网络转换中的性能损失。背景ANN2SNN的主要挑战是脉冲神经元中负值和bias的表示，可以通过训练中使用ReLU为激活函数避免，并将bias置0，使用空间

OptimalANN-SNNConversionforHigh-accuracyandUltra-low-latencySpikingNeuralNetworks阅读总结Abstract1.Introduction2.Preliminaries2.1ANN中的神经元模型：2.2SNN中的神经元模型：2.3ANN-SNN转换3.Conversionerroranalysis3.1Clippinger

论文名：Fast-Classifying,High-AccuracySpikingDeepNetworksThroughWeightandThresholdBalancing中文名：权重、阈值权衡实现快速分类且高精度的脉冲神经网络摘要例如ConvNets（卷积神经网络）和DBNs（深度信念网络）代表了最先进的机器学习和计算机视觉问题。为了克服深度网络的大计算量成本，脉冲神经网络最近被提出来了，并且

创新点1.提出了BANet2.提出了refineloss总结图片引起不适。。。网络流程如下：图片经过语义分支得到1/4大小的特征图。将其上采样到原图大小，c=1作为边界特征挖掘分支的边界注意力图。注意力图由BAloss监督。将原图与注意力图拼接，更有针对性的挖掘低水平的特征。最后在融合部分，首先将语义分支的特征图上采样原图大小，c=1，与边界特征挖掘分支得到的特征融合获得更好的分割。最后的输出由两

文章目录Abstract1、Background2、MethodofBANet2.1、NetworkArchitectureBoundaryFeatureMiningBranch2.2、LossFunctionAbstract与通用语义分割任务相比，Portrait分割需要更高的精度和更快的速度。Boundary-AwareNetwork(BANet)选择性提取边界区域的细节信息获得高质量的分割结