基于脉冲神经网络（SNN）的生物启发式半监督图像分类方法研究

本文创新性地将半监督学习（SSL）与脉冲神经网络（SNN）结合，提出Semi-SNN框架，通过教师-学生蒸馏（teacher-student distillation）和代理梯度下降（surrogate gradient descent）算法，实现低标注成本下的高效图像分类。该方法在CIFAR10/100和SVHN数据集上表现优异，训练耗时仅为Flex Match的37.5%，内存占用降低71.41%，为类脑计算与少样本学习提供新思路。

　　

Highlight

• 首次将教师-学生蒸馏SSL范式与脉冲神经网络（SNN）结合，提出更贴近人脑信息处理机制的半监督图像分类算法

• 针对SNN训练效率低的问题，设计包含预热阶段（Burn-In stage）的自适应训练方案，减少37.5%训练时间

• 在CIFAR10子数据集上达到接近最优算法水平的性能，内存占用仅为Flex Match的25%

Semi-supervised image classification

当前半监督图像分类主要采用一致性学习（Consistency Learning）和伪标签（Pseudo-Labeling）两种方法。前者通过扰动未标注图像获取推理一致性，后者利用预训练模型生成伪标签。

Basic framework

如图2所示，我们的框架将先进的SSL范式与SNN结合：对未标注数据施加强弱增强（strong/weak augmentation），弱增强数据输入教师模型生成伪标签，强增强数据与学生模型联合训练。教师模型通过指数移动平均（EMA）从学生模型更新。

Experiment

在CIFAR10/100和SVHN数据集测试中，Semi-SNN相比SNN版Pseudo-Labeling、MixMatch等方法展现出显著优势。特别在400标签的CIFAR10上，准确率提升5.2%，训练迭代速度提高2.67倍。

Conclusion

SSL与SNN的融合是新兴前沿领域。本文首次实现传统半监督技术与SNN的结合，在保持SNN低功耗特性的同时显著降低标注需求。未来需进一步优化时空特征提取和硬件适配。

（注：翻译采用"强弱增强"等生动表述，保留SNN/SSL等术语缩写，使用¹⁰等规范格式，去除文献引用标记）