基于边沿神经网络的实时帧-与事件-based对象检测：设计、部署与基准测试
计算机视觉与模式识别
2026-05-04 v1
摘要
实时对象检测在能源受限平台上至关重要，适用于无人机检查、自动导航和移动机器人等应用。脉冲神经网络（SNN）相较于传统人工神经网络（ANN）被认为在能源效率上具有显著优势。本文提出了面向神经形态平台的通用SNN检测架构设计方法，以及部署到最新代神经形态处理器Intel Loihi 2所需的工程化适配。我们在Loihi 2上对SNN-based对象检测进行基准测试，分别使用基于帧和基于事件的数据集，对比ANN在NVIDIA Jetson Orin Nano、NVIDIA Jetson Nano B01和Apple M2 CPU上的检测性能。我们的结果表明，Loihi 2上的SNN能够实现实时检测，并在所有平台中实现最低的每推理动态能耗。此外，Loihi 2在功耗方面优于其他平台，尽管Jetson Orin Nano上的ANN实现了更高的推理速率。进一步地，我们的ANN到SNN蒸馏感知训练使SNN在检测准确率上恢复到其ANN counterparts的87-100%，同时保持更低的推理延迟；若不采用蒸馏，SNN则表现出11-27%的准确率下降。这些结果凸显了神经形态系统在边缘能源高效、实时对象检测方面的潜力。
引用
@article{arxiv.2605.00146,
title = {Real-Time Frame- and Event-based Object Detection with Spiking Neural Networks on Edge Neuromorphic Hardware: Design, Deployment and Benchmark},
author = {Udayanga G. W. K. N. Gamage and Yan Zeng and Cesar Cadena and Matteo Fumagalli and Silvia Tolu},
journal= {arXiv preprint arXiv:2605.00146},
year = {2026}
}
备注
11 figures, 7 tables, 53 pages