脉冲神经网络在视觉位置识别中的应用

在机器人领域，脉冲神经网络（SNNs）因其尚未充分实现的潜在能效与低延迟（尤其在神经形态硬件上实现时）而日益受到认可。我们的论文展示了 SNNs 在视觉位置识别（VPR）中的三项进展。首先，我们提出模块化 SNNs，其中每个 SNN 代表一组不重叠的地理上不同的位置，从而为大型环境提供可扩展的网络。其次，我们提出模块化 SNNs 的集成，其中多个网络代表同一位置，与单网络模型相比显著提升了精度。我们的每个模块化 SNN 模块都很紧凑，仅包含 1500 个神经元和 474k 个突触，因其小巧而非常适于集成。最后，我们研究了序列匹配在基于 SNN 的 VPR 中的作用，该技术利用连续图像来精炼位置识别。我们在多个数据集上展示了方法的竞争性性能，包括相比传统 VPR 技术对集成更高的响应度，以及相比基线性能相当的 VPR 技术通过序列匹配获得更高的 R@1 提升。我们的贡献凸显了 SNNs 用于 VPR 的可行性，提供了可扩展且鲁棒的解决方案，并为其在各类能效敏感机器人任务中的应用铺平了道路。