澳洲業者BrainChip宣布採用其棘波神經處理器(spiking neural processor)技術，開發了自主性視覺特徵提取(Autonomous Visual Feature Extraction，AVFE)系統。

BrainChip的神經網路處理器被稱為SNAP，採用訊號棘波來傳輸資料，以及一種叫做棘波時機相關可塑性(Spike Time Dependent Plasticity，STDP)的學習方法。AVFE是一項突破，證明能從視覺資料流進行無人監督的學習，可應用於諸如自動駕駛車輛與無人機的防碰撞功能。

根據BrainChip所提供的資料，SNAP上的AVFE每秒能處理100萬個視覺事件，而且能在幾秒鐘學習並辨別資料流中的圖形；SNAP/AVFE是以該公司向瑞士開發商Inilabs採購的Davis 動態視覺感測器(Dynamic Vision Sensor)，做為串流數位視訊資料的來源。

Davis 動態視覺感測器是一種人工視網膜，擁有與SNAP相同的位置事件表現(Address Event Representation，AER)介面；並非將視訊訊框輸出，每個畫素只要在對比(contrast)變化時就會輸出一個或更多棘波。

AVFE 系統架構

執行於SNAP上並連結至一個恰當視訊來源的AVFE潛在應用，包括車輛以及無人機內的防碰撞系統、異常狀況檢測、保全與醫療成像等等。

該系統最初對於輸入資料流內容並無所知，會藉由重複性與強度自主學習，並開始找到影像串流內的圖形；影像串流可以是由視覺影像感測器(如Davis人工視網膜)所產生，或是經過恰當設計的雷達或超音波來源設備。

AVFE已經在美國加州帕沙迪那(Pasadena)的高速公路上進行過測試，持續運作了78.5秒，SNAP棘波神經網路學習辨別車輛並開始即時計算其數量。

以Inilabs的Davis視網膜晶片擷取的視覺影像，顯示在高速公路上移動的車流 (圖片來源：BrainChip)

BrainChip執行長、SNAP神經處理器的發明人Peter van der Made表示：「我們對於此大幅度進展感到非常興奮，展現了BrainChips的神經處理器SNAP能在無人類監督的情況下，從視覺饋入擷取資訊並學習。」

編譯：Judith Cheng

(參考原文： Neural Network Teaches itself to Count Cars，by Peter Clarke)

活動簡介

未來寬能隙半導體元件會在哪些應用成為主流？元件供應商又會開發出哪些新的應用寬能隙元件的電路架構，以協助電力系統開發商進一步簡化設計複雜度、提升系統整體效率？TechTaipei「寬能隙元件市場與技術發展研討會」將邀請寬能隙半導體的關鍵供應商一一為與會者解惑。

贊助廠商

立即報名