通过自主学习的潜在事件编码，我们模拟了层次预测的发展，并提出了一种采用递归神经网络的分层体系结构，能够生成能够压缩感知动作序列的稀疏变化潜在状态。高层网络能预测潜在状态发生变化的情况。我们在仿真机器人操纵器上进行了实验，结果显示这个系统学习到了准确的数据事件结构，能够生成类似于婴儿眼追踪研究中发现的目标预期行为，并且为自主学习压缩层次编码和利用这些编码来生成自适应行为提供了新的方式。

Jun, 2022

利用事件相机的异步像素来开发新型神经网络在角速度回归和光流估计方面表现出最先进的性能。

Sep, 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

本文提出了一种基于事件相机的分层尖峰神经网络结构，利用自适应神经元模型和稳定的 STDP 公式，实现了运动（方向和速度）选择的无监督特征提取和局部全局运动感知，验证了在合成和实际事件序列中具有生物视觉运动系统的主要属性，提供了一种能够加速大规模尖峰神经网络模拟的 cuSNN 库。

Jul, 2018

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

该论文提出了一种新的事件内存架构（MemNet），适用于标量、多变量或符号等不同类型的时间序列数据，通过存储键 - 值对来提高表示能力，并避免了与模型状态构建的记忆之间的权衡，具有线性自适应映射函数、较少的训练参数和空间复杂度等特点。

Jul, 2023

事件相机是神经形态学传感器，可以捕获异步和稀疏的事件流，本文提出了一种新颖的时空表示学习方法，通过张量分解可以同时捕获事件流中的全局相关性。此外，由于事件在空间上稀疏，我们提出了一种弹性网络结合的张量网络模型，可以获取有关事件流的更多空间和时间细节。实验结果表明，与最先进的方法相比，我们的方法能够高质量地表示事件的时空相关性，并在过滤噪声等应用中取得有效的结果。

Jan, 2024

基于多模态数据的人体轨迹预测框架，引入结构化记忆元件，采用分层结构式 LSTM 单元模拟记忆内容，通过自动检索重要信息提高效果，并在 40,000 行人轨迹数据集上验证新模型比现有技术更准确预测未来行人运动。

Jul, 2018

本研究提出了一个时空模型，应用于处理事件摄像机视频，并验证了该模型的 “时空猜想”，即视频信号的时间表示中携带着重要信息，并且机器学习算法将从空间和时间组件的分开优化中受益。研究结果显示，与空间组件相比，时间组件携带着重要的互信息，为事件摄像机分类的设计提供了指导，从而使分类准确度提高了 18%。

Feb, 2024

该研究提出了一种新的机器学习方法，专注于复杂模式的无监督连续上下文依赖学习。论文的证明了该系统能够从原始数据中学习、识别和预测人类言语等复杂时间序列。

May, 2024