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

研究以 SNN 在 CARLA 模拟器上进行真实驾驶场景的神经网络模型的有效性和普适性的方法。

Sep, 2023

针对物体检测任务，通过改善 SNN 与 ANN 的一致性，提出了结构替换、ANN 激活量化和残差修复的方法，与之前的工作 Spiking-YOLO 相比，实验证明该方法具有更高的准确性和更低的延迟，并展示了 SNN 处理脉冲信号的优势。

Sep, 2023

此篇论文讨论了自动驾驶车辆场景图像数据中的物体检测建模任务中的性能、效率和开放域学习的问题，并证明了通过脉冲神经网络（SNNs）可以实现表现出色且高效的模型，与非脉冲神经网络相比，能够节省高达 85% 的能源消耗，并且在图像噪声下具有稍微改进的稳健性。

Dec, 2023

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

本文介绍了一种方法，该方法可以训练使用 Leaky Integrate-and-Fire（LIF）神经元的脉冲深度网络，并在包括大型 ImageNet ILSVRC-2012 基准测试在内的五个数据集上取得了最先进的结果。该方法可扩展，并适用于各种神经非线性。通过软化神经响应函数以使其导数保持有界，并通过噪声训练网络，我们实现了这些结果，以提高其承受由脉冲引入的变异性的鲁棒性。我们的分析表明，在神经形态硬件上实现这些网络将比传统硬件上等效的非脉冲网络更加节能。

Nov, 2016

在 AI 边缘计算、自动驾驶汽车和气候变化的时代，需要节能、小型、嵌入式 AI。脉冲神经网络 (SNNs) 是应对这一挑战的有前途的方法，具有事件驱动的信息流和稀疏激活。我们提出了适用于事件数据的脉冲 CenterNet 用于目标检测。它结合了一个 SNN CenterNet 的适应性和一个基于高效 M2U-Net 的解码器。我们的模型在 Prophesee 公司具有挑战性的 GEN1 汽车检测数据集上的性能明显优于可比较的先前工作，同时能使用不到一半的能量。将非脉冲教师的知识蒸馏到我们的 SNN 中进一步提高了性能。据我们所知，我们的工作是脉冲目标检测领域第一个利用知识蒸馏的方法。

Feb, 2024

这篇论文总结了神经元模型的优点、缺点和适用性，分析了网络拓扑的特性，并从无监督学习和监督学习的角度回顾了脉冲神经网络算法和基于突触可塑性规则的无监督学习算法以及四类监督学习算法，最后专注于国内外正在研究的类脑神经仿真芯片的综述。通过系统的总结，论文旨在为初入脉冲神经网络研究领域的同行提供学习概念和研究方向。

Sep, 2023

本研究旨在研究脉冲神经网络在目标检测中的性能衰退，并提出了两种新方法：逐通道归一化和具有不平衡阈值的有符号神经元，以提高深度 SNN 的信息传输速度和准确性。最终实现了基于脉冲的目标检测模型，Spiking-YOLO，其结果表现可与 Tiny YOLO 比肩，并且在神经形态芯片上的能耗极低，且比以前的 SNN 转换方法更快。

Mar, 2019

本文介绍了使用 SNN 和 DVS 结合的方式来实现基于事件的汽车分类器从而应用于自动驾驶，最终在 Intel Loihi 神经形态硬件上实现，并取得了最高 86% 的识别率和 310 mW 的低功耗。

Jul, 2021