本研究提出了EventNet，一种基于新型视觉传感器的神经网络，旨在实时处理异步事件流，并采用了新的时间编码方案来建模输出对数万个因果事件的依赖关系，同时在标准CPU上每秒处理百万个事件，通过实验验证了该框架的实时性和稳健性。

Dec, 2018

采用硬件意识神经架构搜索，设计了一类适用于 Edge TPU 的计算机视觉模型，有效提升了实时图像分类性能并在像素4的边缘 TPU 上改善了精度-延迟权衡。

Mar, 2020

本文介绍了使用SNN和DVS结合的方式来实现基于事件的汽车分类器从而应用于自动驾驶，最终在Intel Loihi神经形态硬件上实现，并取得了最高86%的识别率和310 mW的低功耗。

Jul, 2021

本文介绍了一种嵌入式智能视觉传感器芯片，包括基于事件驱动的相机和低功耗异步脉冲卷积神经网络计算体系结构，可以高效地提取大量传感器数据的高级信息，并以极低的延迟和能量消耗有效处理图像信息。

Apr, 2023

该研究提出了一种新的SNN-ANN混合体系结构，该体系结构结合了事件图像和异步计算的优势，用于光流估计，实验结果表明，与以往的混合体系结构，ANN-only和SNN-only体系结构相比，该混合体系结构在准确性和效率方面均有显著提升。

Jun, 2023

我们介绍了一种基于事件相机的混合注意力脉冲神经网络—人工神经网络（Hybrid Attention-based SNN-ANN）骨干架构，用于目标检测。通过引入新颖的基于注意力的SNN-ANN桥接模块，我们能够从SNN层捕捉稀疏的空间和时间关系，并将其转换为ANN骨干的稠密特征图。实验结果表明，我们的方法在性能上超过了基线混合和基于SNN的方法，并与现有的基于ANN的方法相媲美。深入的消融研究确认了我们提出的模块和架构选择的有效性。这些结果为实现在大幅度减少参数预算的情况下达到ANN类似性能的混合SNN-ANN架构铺平了道路。我们在数字神经形态硬件上实现了SNN块，以研究延迟和功耗，并证明了我们的方法的可行性。

Mar, 2024

该研究论文提出了EvGNN，这是第一个用于边缘视觉的事件驱动GNN加速器，通过利用定向动态图、事件队列和新颖的层并行处理方案，实现了边缘视觉的低内存占用、超低延迟和高准确性，从而实现了实时的微秒级分辨率事件驱动视觉。

Apr, 2024

在边缘人工智能应用中，使用脉冲神经网络（SNNs）进行设备上的在线学习和自适应，以实现对不断变化的环境中产生的传感器数据的快速处理。我们提出了一种脉冲神经网络的脑启发式处理器EON-1，用于在近传感器极端边缘在线特征提取，该处理器集成了快速的在线学习和自适应算法。我们报告了仅1%的学习能耗开销，远低于其他SoTA解决方案，同时达到相当的推理准确度。此外，我们证明了EON-1可以在实时处理高清和超高清流媒体视频时实现低延迟，同时进行学习。

Jun, 2024

本文提出了第一种硬件高效的基于神经形态处理器的硬注意力框架Trainable Region-of-Interest Prediction (TRIP)，该框架通过利用稀疏事件的低信息密度来减少ROI预测的开销。在多个基于事件的分类数据集上，该方法达到了最先进的准确性，并在DvsGesture数据集上实现了46倍的计算量减少和更高的准确性，同时相比传统解决方案，在SENECA神经形态处理器上实现了超过2倍的延迟和能耗改进。

Jun, 2024

本研究针对现有脉冲神经网络加速器在适应性、膜电位处理和稀疏优化方面的局限，提出了一种可扩展且可重构的数字计算内存（CIM）脉冲神经网络加速器SpiDR。该加速器通过支持多种位精度和极少跳过机制，显著提高了能效并适应不同的应用需求，最终在高输入稀疏性下实现了高达5 TOPS/W的能效。

Nov, 2024