本研究提出一种新颖算法技术生成深度架构的Spiking Neural Networks，此算法应用于VGG和Residual网络架构并在CIFAR-10和ImageNet等图像识别问题上取得了显著的准确率提高，同时证明在spiking领域内的稀疏event-driven计算可减少硬件开销。

Feb, 2018

本研究对SNN和RNN（包括Vanilla RNN和LSTM）进行了对比研究，并通过对视觉数据集进行实验，创新性地改进了RNN的丢失函数和调整了数据集的时间分辨率以测试模型的鲁棒性和概括能力。

May, 2020

该文探索将类脑计算应用于复杂的视觉任务，使用改进的训练方法和异步通道的重思路，使节能峰值处理和传感更加高效。

Jun, 2021

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

提出了一种Neuromorphic Data Augmentation（NDA）方法，通过简单的几何变换，对基于事件的数据集进行数据增强，从而显著稳定Spiking Neural Networks（SNNs）的训练，同时减少训练与测试性能之间的泛化差距，并在神经形态视觉基准上展示了NDA相较于之前最先进结果提高了精度。

Mar, 2022

通过全局时态嵌入动态机制扩展、特征重建和训练阶段适应性强调事件效应等，我们提出了一种称为 Razor SNN 的事件稀疏化尖峰框架，从而在四个基于事件的基准数据集上实现了竞争性的性能。

Jun, 2023

我们介绍了一种基于事件相机的混合注意力脉冲神经网络—人工神经网络（Hybrid Attention-based SNN-ANN）骨干架构，用于目标检测。通过引入新颖的基于注意力的SNN-ANN桥接模块，我们能够从SNN层捕捉稀疏的空间和时间关系，并将其转换为ANN骨干的稠密特征图。实验结果表明，我们的方法在性能上超过了基线混合和基于SNN的方法，并与现有的基于ANN的方法相媲美。深入的消融研究确认了我们提出的模块和架构选择的有效性。这些结果为实现在大幅度减少参数预算的情况下达到ANN类似性能的混合SNN-ANN架构铺平了道路。我们在数字神经形态硬件上实现了SNN块，以研究延迟和功耗，并证明了我们的方法的可行性。

Mar, 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

本文提出了Spiking Fusion Object Detector (SFOD)，基于SNN的目标检测方法，在事件相机中实现了多尺度特征图的融合，并通过预训练、分析和实验研究了编码策略和损失函数对模型性能的影响，在NCAR数据集上实现了93.7%的准确率，GEN1检测数据集上取得了32.1%的最优平均精度，展示了SNN在事件相机目标检测领域的潜力和发展。

Mar, 2024

基于脉冲相机数据的纯脉冲驱动脉冲变压器网络模型以及跨模态知识迁移框架，在深度估计领域取得了显著提升的结果，同时减少了功耗消耗。

Apr, 2024