高效高速物体检测的 SNNs

Sep, 2023

Highly Efficient SNNs for High-speed Object Detection

Nemin Qiu, Zhiguo Li, Yuan Li, Chuang Zhu

TL;DR这篇论文提出了一种高效快速的脉冲神经网络模型用于目标检测，在量化训练、神经网络修改以及伪量化方案的基础上，利用前馈積分 - 发射神经元实现了高速目标检测，实验证明，该模型在 GPU 上可实现 118 倍加速，参数仅为 1.5MB，在 FPGA 平台上达到了 800+FPS 的目标检测并且延迟极低。

Abstract

The high biological properties and low energy consumption of Spiking Neural Networks (SNNs) have brought much attention in recent years. However, the converted SNNs generally need large time steps to achieve satisfactory performance, which will result in high inference latency and computational resources increase. In this work, we propose a highly efficient

spiking neural networks object detection quantization training feed-forward integrate-and-fire neuron fpga platform

发现论文，激发创造

脉冲神经网络目标检测的低延迟

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

超低延迟高精度物体检测的脉冲神经网络

提出了两种方法并创造了一种名为 SUHD 的基于 SNN 的超低延迟、高精度物体检测模型，相对于 Spiking-YOLO，SUHD 在 MS COCO 数据集上可以大约减少 750 倍的时间步，同时提高了 30％的平均精度 (mAP)。

Jun, 2023

生物启发计算与深度学习的相遇：从人工神经网络到低延迟、准确、高能效的脉冲神经网络

通过修改 SNN 整合 - 发射神经元模型和在训练 ANN 过程中使用细粒度 L1 正则化和替代梯度等方法，我们提出了一种新的 ANN 转 SNN 框架，可以以极低的时间步和高级稀疏性实现无损 SNN，低延迟，低计算能耗和高测试准确性（例如，ImageNet 数据集上只有 4 个时间步的准确率为 73.30%）。

Dec, 2023

高精度和超低延迟的脉冲神经网络的最佳 ANN-SNN 转换

本研究提出量化裁剪 - 移位激活函数以更好地逼近 Spiking Neural Networks 的激活函数，能在超低延迟 (4 time-steps) 的情况下实现高精度和超低延迟的 SNNs，并在 CIFAR-10/100 和 ImageNet 数据集上提高了性能。

Mar, 2023

脉冲爆发：针对基于事件的视觉任务的高效、高性能 SNNs

通过引入生物神经系统启发的突发 - 尖峰机制、基于帕累托前沿驱动算法的再分配爆发 - 射击模式以及基于层特定敏感性自动定位最佳阈值比率的敏感性驱动尖峰压缩技术，在分类和目标检测方面展示出卓越的性能和降低的能量使用，从而推动了基于事件驱动视觉的脉冲神经网络的进展。

Nov, 2023

低延迟脉冲神经网络的优化电位初始化

通过优化初始膜电位实现高精度 ANN-to-SNN 转换，使得 SNN 在低延迟下达到了与最优性能相当的准确率，并在 CIFAR-10、CIFAR-100 和 ImageNet 数据集上取得了最新的结果。

Feb, 2022

Spiking-YOLO：用于能量高效物体检测的尖峰神经网络

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

使用优化效率和最小延迟的通用脉冲神经网络训练

提出了一个通用的训练框架，提高了有限时间步长内特征学习和激活效率，为更节能的 SNN 提供了新的解决方案。

Jan, 2024

双相优化下实现超低延迟无损 ANN-SNN 转换

本论文提出一种双相转换算法，通过减少量化误差、裁剪误差和残余膜电势表示误差来提高深度脉冲神经网络（SNN）的准确性，并在 CIFAR-10、CIFAR-100 和 ImageNet 数据集上表现出与人工神经网络（ANNs）相当的准确性和更低的能源消耗。

May, 2022

tinySNN：面向内存和能量高效的脉冲神经网络

该论文提出了 tinySNN 框架，可通过减少操作、优化学习质量、量化参数和选择合适的模型来在保持准确性的前提下，优化 SNN 处理的内存和能源需求，并且通过不同的量化方案、精度级别和舍入方案探索不同的 SNN 参数来实现模型压缩，从而实现对于资源和能源受限的嵌入式应用的高精度高效压缩。

Jun, 2022