面向神经器物视觉的能源感知脉冲预算持续学习
神经与进化计算
2026-03-11 v2 人工智能
计算机视觉与模式识别
摘要
基于脉冲神经网络(SNNs)的神经器物视觉系统为基于事件和帧的摄像机提供超低功耗感知，但灾难性遗忘仍是持续环境中部署的关键障碍。现有的持续学习方法主要为人工神经网络开发，很少在准确度和能源效率方面联合优化，尤其在事件数据集上的探索有限。我们提出一种面向神经器物视觉的能源感知脉冲预算框架，用于持续SNN学习，该框架集成了经验回放、可学习的突触电压抑制-释放神经元参数以及自适应脉冲调度器，以在训练期间强制执行数据集特定的能源约束。我们的方法在不同模态下表现出不同的行为：在基于帧的数据集(MNIST, CIFAR-10)上，脉冲预算充当稀疏性诱导的正则化器，提高准确度的同时将脉冲率降低最高可达47%；在事件数据集(DVS-Gesture, N-MNIST, CIFAR-10-DVS)上，受控的预算放宽使准确度提升最高可达17.45个百分点，同时几乎没有计算开销。跨越两种模态的五个基准测试，我们的方法在最小化动态功耗的同时表现出一致的性能改进，推动了神经器物视觉系统持续学习的实际可行性。
引用
@article{arxiv.2602.12236,
title = {Energy-Aware Spike Budgeting for Continual Learning in Spiking Neural Networks for Neuromorphic Vision},
author = {Anika Tabassum Meem and Muntasir Hossain Nadid and Md Zesun Ahmed Mia},
journal= {arXiv preprint arXiv:2602.12236},
year = {2026}
}