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

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

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

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

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

Spiking Autonomous Driving (SAD) 是第一个统一的脉冲神经网络（SNN），通过其以事件驱动和高效节能的特性来解决自主驾驶系统面临的能源挑战。通过感知、预测和规划三个主要模块，SAD 在感知、预测和规划任务上取得了竞争性的性能，并借助于 SNN 的能效。该研究突出了神经形态计算在节能自主驾驶中的潜力，是迈向可持续和关键性安全的汽车技术的关键一步。

May, 2024

本研究提出了基于脉冲神经网络 (SNNs)、使用当前平均解码方法 (CMD) 的 SNN-YOLOv3 模型来解决目标检测问题，实验证明该模型在 PASCAL VOC 数据集上取得了令人瞩目的性能，mAP 达到了 61.87%，并且只需要 6 个时间步，相较于 SpikingYOLO，我们不仅提高了 mAP 约 10%，还将能量消耗降低了两个数量级。

Sep, 2023

新兴的神经形态计算方法，如生物启发式的脉冲神经网络，通过优化技术实现了能效较高的 SNN 部署，从而为自主智能体应用提供了能源高效性。

Apr, 2024

本文阐述了脉冲神经网络在 3D 物体检测等实际应用方面的可行性，并在 GPU 上进行了仿真研究。

Jun, 2022

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