使用脉冲神经网络在自动驾驶中进行高效目标检测：性能、能耗分析及对开放集目标发现的启示
计算机视觉与模式识别
2023-12-13 v1 人工智能
机器学习
神经与进化计算
摘要
除性能外，效率是支持车辆感知技术的一个关键设计驱动因素。事实上，性能与能耗之间的良好平衡对于自动驾驶车辆的可持续性至关重要。在此背景下，自动驾驶车辆可能运行的多种现实场景，促使我们需要赋予感知模型自行检测、表征和识别新出现目标的能力。在本文中，我们针对从车辆场景收集的图像数据上的目标检测建模任务，详细探讨了这一三重难题（性能、效率和开放世界学习）。具体而言，我们表明通过脉冲神经网络 (SNNs) 可以实现性能良好且高效的模型，与非脉冲对应模型相比，在大幅节省能耗（高达 85%）且对图像噪声的鲁棒性略有提升的情况下，达到了具有竞争力的检测性能水平。我们在此提供的实验还根据区分捕获图像中潜在目标候选的简单方法的初步结果，定性地揭示了检测新目标的复杂性。
引用
@article{arxiv.2312.07466,
title = {Efficient Object Detection in Autonomous Driving using Spiking Neural Networks: Performance, Energy Consumption Analysis, and Insights into Open-set Object Discovery},
author = {Aitor Martinez Seras and Javier Del Ser and Pablo Garcia-Bringas},
journal= {arXiv preprint arXiv:2312.07466},
year = {2023}
}
备注
8 pages, 5 figures, presented at ITSC2023