通过引入一种名为 Spiketrum 的神经脉冲编码模型，该模型将时间变化的模拟信号（通常是听觉信号）转换为计算高效的时空脉冲模式，实现了稀疏有效的编码方案，通过精确可控的脉冲速率，便于在各种听觉感知任务中训练脉冲神经网络。我们进一步通过神经型耳蜗原型探究了算法与硬件的协同设计，证明我们的方法可以通过完全利用基于脉冲的计算的优势，为基于脉冲的人工智能提供系统性的解决方案。

Sep, 2023

我们使用 Google 的 MusicVAE，一个具有 512 维潜在空间的变分自动编码器来表示几小节的音乐，并根据描述音乐的相关性组织潜在维度。我们发现，平均而言，大多数潜在神经元在输入真实音乐曲目时保持沉默：我们称这些为 “噪声” 神经元。剩下的几十个激活的潜在神经元被称为 “音乐” 神经元。我们探究哪些神经元携带音乐信息以及它们编码的音乐信息种类，即是否可以识别为音高、节奏或旋律。我们发现大部分关于音高和节奏的信息都编码在最开始的几个音乐神经元中：神经网络因此构建了一些非线性编码许多用于描述音高和节奏的人工定义变量的变量。旋律的概念似乎仅在较长的音乐序列中出现独立的神经元中。

Jul, 2023

利用神经网络技术，提出了一种先进的实时高保真音频编解码器，其采用流式编解码器结构和量化的潜在空间，并引入了一种新型损失平衡机制和轻量级 Transformer 模型用于压缩。在语音、噪声回声语音和音乐等多个音频领域测试中，该方法在所有评估指标下均优于基线方法。

Oct, 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

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

利用神经元在视皮层的功能特性，我们介绍了一种异步且与神经形态硬件兼容的 AER-SNN 对象识别解决方案，该解决方案采用数据编码器与首次发放脉冲识别网络集成，通过降噪和首次发放编码的原则实现了最佳脉冲信号传递，显著降低计算成本，并通过实验证明，所提出的方法在获得最先进的准确性的同时大大降低了计算成本。该解决方案为异步和具有成本效益的 AER 识别系统，充分发挥了 AER 传感器的潜力。

Jan, 2024

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

本文研究音频事件分类中的不同输入表示所采用的相关特征。 作者使用 eXplainable AI （XAI）来比较两种模型体系结构的分类策略，并通过 Siren 的层级相关传播来获取相关热图，以揭示不同表示依赖的决策策略，从而为选择最佳的输入表示提供决策支持，并确认模型的分类策略与人的要求相符。

Apr, 2023

本文提出了一种基于场景恢复和变分自编码器的学习型脉冲压缩框架，该方法比传统压缩方法表现更好，为学习型脉冲数据压缩提供了一个坚实的基础。

Jun, 2023

本文研究基于事件驱动的异步脉冲神经网络，并通过将经典的基于帧数据训练的卷积神经网络转换为异步网络，以在计算预算紧张的条件下实现低功耗、快速和嵌入式的神经网络视觉解决方案，其中应用范例是机器人跟踪移动目标。研究发现，异步网络的分类准确率仅比同步 CNN 低 3％，但计算量却减少了 12 倍。

May, 2019