用脉冲神经网络实现尺度协变的小波变换，有望提升能效。
Scale-covariant spiking wavelets
- 基于漏电积分放电神经元的尺度协变性构造离散母小波
- 重建实验验证方法可行性，当前存在可改进的近似误差
- 适合关注神经形态计算与低功耗信号处理的研究者
我们通过尺度空间理论建立了小波变换与脉冲神经网络之间的理论联系。利用漏电积分放电神经元的尺度协变特性，实现了对连续小波进行逼近的离散母小波。重建实验表明该方法具有可行性，但需进一步分析以缓解现有近似误差。本工作提出一种新型脉冲信号表示方式，可能推动更节能的信号处理算法发展。
原文摘要 · Abstract (English)
We establish a theoretical connection between wavelet transforms and spiking neural networks through scale-space theory. We rely on the scale-covariant guarantees in the leaky integrate-and-fire neurons to implement discrete mother wavelets that approximate continuous wavelets. A reconstruction experiment demonstrates the feasibility of the approach and warrants further analysis to mitigate current approximation errors. Our work suggests a novel spiking signal representation that could enable more energy-efficient signal processing algorithms.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。