郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布

 

 

To appear at the 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2021).

 

Abstract

　　脉冲神经网络(SNN)旨在在具有基于事件的动态视觉传感器(DVS)的神经形态芯片上实现时提供节能的学习能力。本文研究了SNN对此类基于DVS的系统的对抗性攻击的鲁棒性，并提出了R-SNN，这是一种通过有效的DVS噪声滤波来增强SNN的新方法。我们是第一个对DVS信号(即时空域中的事件帧)产生对抗性攻击，并为DVS传感器应用噪声滤波器以防御对抗性攻击的人。我们的结果表明，噪声滤波器有效地防止了SNN被愚弄。我们实验中的SNN在不同对抗性威胁模型下对DVS-Gesture和NMNIST数据集提供超过90%的准确率。

 

Index Terms: Spiking Neural Networks, SNNs, Deep Learning, Adversarial Attacks, Security, Robustness, Defense, Filter, Perturbation, Noise, Dynamic Vision Sensors, DVS, Neuromorphic, Event-Based, DVS-Gesture, NMNIST.

 

I. INTRODUCTION

　　脉冲神经网络(SNN)旨在为各种机器学习应用提供节能的学习能力，例如自动驾驶[1]、医疗保健[2]和机器人技术[3]。与传统(即非脉冲)深度神经网络(DNN)不同，SNN在生物学上是合理的，能够在神经元之间实现基于事件的通信，从而以相对更接近的方式模拟人脑的处理过程[4]。此外，在功率/能源效率和实时分类性能方面的结果使得SNN很适合在资源受限的嵌入式系统中实现[5]。通过利用神经元之间基于脉冲的通信，与等效的DNN实现[6]相比，SNN表现出较低的计算负载，并减少了延迟。

　　随着在专用神经形态加速器(例如IBM TrueNorth [7]和Intel Loihi [8])上实现的高效SNN开发，神经形态硬件领域的另一项进步来自新一代动态视觉传感器(DVS)，即基于事件的相机传感器[9]。与经典的基于帧的相机不同，DVS通过以一系列脉冲的形式记录信息来模拟人类视网膜的行为，每次检测到光强度变化时都会生成脉冲序列。这些传感器基于事件的行为与在神经形态硬件上实现的SNN很好地配对，即DVS相机的输出可用作SNN的直接输入，以实时详细说明事件。

 

A. Target Research Problem and Scientific Challenges