本文提出了一种名为 “位置尖峰神经元” 的新型神经元模型，用于提取基于事件的触觉数据的特征，并探究了其在事件驱动触觉学习中的能力。作者将该模型应用于两个混合模型中，以捕捉事件驱动触觉数据中的复杂时空依赖性，并证明其在节能方面优于人工神经网络（ANNs）。

Oct, 2022

本文介绍了一个基于事件触觉感测器和多模式脉冲神经网络的事件驱动的视觉触觉感知系统，评估了其在两个机器人任务上的表现，并提供了可用于其他研究的数据集。

Sep, 2020

本文提出了一种新型的尖锐图神经网络用于事件驱动的触觉物体识别，在两个触觉数据集上的实验结果表明，该方法在分类各种不同的家居物品时能够取得约 90％的高准确率。

Aug, 2020

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

基于 iCub 机器人指尖电容触觉传感器记录了布莱叶盲文字母数据集，以比较前馈和循环脉冲神经网络在 Intel Loihi 神经形态芯片上进行的快速和有效推理，并通过使用代理梯度的 BPTT 进行离线训练和比较，结果表明循环脉冲神经网络在基于事件的输入上比 LSTM 节能～500 倍，为只有～30mW 的总功率。

May, 2022

本文从认知神经科学方面入手，分析了 Spiking Neural Networks 这种新型生物神经样本学习 / 数据处理模型在模型、训练算法上面的优点和缺点，其中使用了概率模型和时间反向传播算法解决了部分难点，最后在神经元数据集上进行了对比实验.

Oct, 2020

通过两种新型事件驱动学习方法（STD-ED 和 MPD-ED），本研究在静态和神经形态数据集上进行了广泛评估，证实它们在 CIFAR-100 数据集上分别超过现有事件驱动算法 2.51% 和 6.79%。此外，本研究理论上和实验上验证了这些方法在神经形态硬件上的能量效率，其芯片内学习实验在时间步长代理梯度方法上实现了显著的 30 倍能量消耗减少。所提出的事件驱动学习方法的效率和功效强调了它们在神经形态计算领域中的潜力，为能源效率应用提供了有前景的途径。

Mar, 2024

该论文提出了一种基于时间注意力的尖峰神经网络模型来处理事件流，能够有效地提取时空特征，提高分类准确率。

Jul, 2021

提出了一种新的三因素时间局部学习规则 S-TLLR，该规则考虑了神经元之间的因果和非因果关系，可以在边缘设备上进行在线学习，并在图像和手势识别、音频分类和光流估计等应用中取得了高精度和计算复杂度降低的结果。

Jun, 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