利用神经元在视皮层的功能特性，我们介绍了一种异步且与神经形态硬件兼容的 AER-SNN 对象识别解决方案，该解决方案采用数据编码器与首次发放脉冲识别网络集成，通过降噪和首次发放编码的原则实现了最佳脉冲信号传递，显著降低计算成本，并通过实验证明，所提出的方法在获得最先进的准确性的同时大大降低了计算成本。该解决方案为异步和具有成本效益的 AER 识别系统，充分发挥了 AER 传感器的潜力。

Jan, 2024

基于事件相机和脉冲神经网络的自适应采样模块实现了在动态范围和时间分辨率高、光照条件恶劣的场景下的物体检测的全新学习框架，并通过在神经形态学数据集上的测试表明其在参数数量和时间步数方面具有更优异的性能。

Mar, 2024

本研究利用事件相机、脉冲神经网络及事件增强技术实现基于事件的面部表情识别，并与传统人工神经网络做性能比较，结果表明脉冲神经网络模型虽然能够实现较好的识别性能，但能耗仅为传统神经网络的 1/65。

Apr, 2023

本文介绍一种基于 AER 视觉传感器输出中的精确时间信息的突触神经元模型，在物体识别中可以实现高准确度，实验表明这种基于时间的计算方法可以比传统的时钟系统更为高效。

Aug, 2015

基于事件的传感器与其高时间分辨率（1 微秒）和动态范围（120dB），能够在车辆和无人机等高速平台中部署。然而，事件的高度稀疏和波动性对基于人工神经网络（ANNs）的传统目标检测技术构成了挑战。相比之下，脉冲神经网络（SNNs）由于其固有的时间动态性，在表示基于事件的数据方面非常适用。我们特别演示了膜电位动力学如何在波动事件上调节网络活动，并增强稀疏输入的特征。此外，脉冲触发的自适应阈值可以稳定训练，进一步提高网络性能。基于这一点，我们开发了一种高效的用于基于事件的目标检测的脉冲特征金字塔网络。我们的提出的 SNN 在 Gen1 基准数据集上取得了显著的成绩，达到了 47.7％的平均精度（map50），超过了以前最好的 SNN 9.7％，并展示了 SNN 在基于事件的视觉领域的潜力。我们的模型具有简洁的结构，同时保持了高精度和更低的计算成本，这是稀疏计算的结果。我们的代码将公开提供。

Jul, 2023

通过使用事件摄像头直接训练尖峰神经网络，以设计快速高效的汽车嵌入式应用程序，并且采用了最新的尖峰反向传播方法，成功地针对 GEN1 汽车检测事件数据集提出了尖峰神经网络实现目标检测的方法。

May, 2022

通过将脉冲神经网络与事件摄像头相结合，我们设计了一种生物可行的编码器 - 解码器 U 型架构的语义分割方法，旨在在性能与资源使用之间进行权衡。实验证明 EvSegSNN 在 MIoU 方面优于最接近的最新模型，同时参数数量减少了 1.6 倍，省去了批归一化阶段。

Jun, 2024

本文提出了一种基于全脉冲神经网络 (SNN) 架构的事件相关视频重建框架 (EVSNN)，并采用 Leaky-Integrate-and-Fire (LIF) 神经元和自适应膜电位中间电位助推框架 (PA-EVSNN)，通过对事件相关图像信息的处理， 实现与基于人工神经网络（ANN）的模型相当的性能，而且在事件驱动硬件上具有更高的计算效率。

Jan, 2022

本文提出了一种高效的 SNN 编码器 - 解码器网络，并结合层次搜索来优化编码器，从而实现对大规模事件信号的语义分割任务。此外，利用神经元固有的自适应阈值来调节网络激活，并开发了双通道刺激的空间自适应调制 (SSAM) 块，显著提高了网络性能，从而使得 SNN 在事件驱动的视觉任务上的表现优于 ANN 达到 72.57% 和 57.22% 的平均交并比 (MIoU)，并且具有更低的计算成本。

Apr, 2023

提出了一种称为 Spike-EVPR 的新型深度脉冲神经网络架构，用于基于事件的视觉位置识别任务，通过引入两种新的事件表征并构建具有强大表征能力的 Bifurcated Spike Residual Encoder 和 Shared & Specific Descriptor Extractor 模块，以及采用 Cross-Descriptor Aggregation Module 进行特征融合，显著提高了性能。

Feb, 2024