基于脉冲神经元学习稀疏事件的车载目标检测

事件相机以 1 $\mathrm{\mu}\text{s}$ 的高时间分辨率和 120 $\text{dB}$ 的动态范围著称，是车辆与无人机等快节奏场景部署的理想工具。利用人工神经网络（ANNs）的传统目标检测技术，因这类传感器所捕获事件的稀疏与异步特性而面临挑战。相比之下，脉冲神经网络（SNNs）提供了一种有前景的替代方案，其时间表征与基于事件的数据天然契合。本文探究了 SNNs 独特的膜电位动态及其调制稀疏事件的能力。我们引入一种为稳定训练设计的脉冲触发自适应阈值机制。基于这些见解，我们提出一种专为车载基于事件的目标检测优化的专用脉冲特征金字塔网络（SpikeFPN）。综合评估表明，SpikeFPN 超越了传统 SNNs 及经注意力机制增强的先进 ANNs。显然，SpikeFPN 在 GEN1 汽车检测（GAD）基准数据集上取得了 0.477 的平均精度均值（mAP），较所选 SNN 基线有显著提升。此外，SpikeFPN 的高效设计凭借其固有的稀疏计算能力，在优化计算资源的同时确保了稳健性能。源代码公开于 https://github.com/EMI-Group/spikefpn。