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

本研究提出了 DVS-Attacks 对 Spiking Neural Networks 实施隐蔽性并有效的对抗攻击方法，并指出 DVS 的噪声滤波器可用作对抗攻击的防御机制，实验结果表明，即使采取最佳噪声滤波器设置，DVS-Attacks 仍然成功地降低了 SNNs 的准确性。

Jul, 2021

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

通过引入一种新的框架和流程，我们提出了一种改善恶劣天气下目标检测的方法，重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性，我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比，平均 IoU 和 F1 分数提高了 40.8％，在域转移情况下（如在人工雪天训练，在雨天图片测试）性能提高了 22.4％。

Jun, 2024

该研究提出一种采用注意力机制和递归神经网络融合序列 RGB 影像、语义分割掩码和自车速度的神经网络结构，用于预测行人过马路意图，从而解决全局时空上下文与融合传感器数据的最优策略问题，实现了针对自动驾驶系统中行人行为预测的最优性能。

Apr, 2021

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

本文研究使用事件相机结合深度学习进行行人检测任务，并比较了不同处理方法的效果，结果表明事件相机是解决现有问题的潜在技术。

May, 2023

自动驾驶系统是人类移动和交通的未来，本研究通过研究和分析事件驱动的汽车数据，提出了一种系统研究和改进脉冲神经网络 (SNN) 模型的方法，以在高准确性和低功耗 / 能耗的情况下实现自动驾驶系统的开发。

Apr, 2024

提出针对神经形态感知相机的人体动作识别和跌倒检测数据集，使用先进视觉模型 Fine-tuned 的方法，各模型准确度分别为：DVS-MViT（0.958），DVS-C2D（0.916），DVS-R2+1D（0.875）和 DVS-SlowFast（0.833）。

Jan, 2022