Spike-EVPR：面向基于事件视觉位置识别的深度脉冲残差网络与 SNN 定制表示
计算机视觉与模式识别
2025-12-10 v2
摘要
事件相机因其高时间分辨率和高动态范围，成为挑战性环境中视觉位置识别 (VPR) 的理想选择。然而，现有方法将稀疏事件转换为用于人工神经网络 (ANN) 的密集帧状表示，忽略了事件的稀疏性并导致了高昂的计算成本。脉冲神经网络 (SNN) 通过离散脉冲信号补充事件数据，从而实现节能的 VPR，但其应用受到缺乏有效的脉冲兼容表示和能够学习判别性全局描述符的深度架构的阻碍。为解决这些局限性，我们提出了 Spike-EVPR，这是一种直接训练的、端到端的 SNN 框架，专为基于事件的 VPR 定制。首先，我们引入了两种互补的事件表示方法：MCS-Tensor 和 TSS-Tensor，旨在减少时间冗余的同时保留基本的时空线索。此外，我们提出了一种深度脉冲残差架构，能够有效聚合这些特征以生成鲁棒的位置描述符。在 Brisbane-Event-VPR 和 DDD20 数据集上的大量实验表明，Spike-EVPR 实现了最先进的性能，Recall@1 分别提高了 7.61% 和 13.20%，同时显著降低了能耗。
引用
@article{arxiv.2402.10476,
title = {Spike-EVPR: Deep Spiking Residual Networks with SNN-Tailored Representations for Event-Based Visual Place Recognition},
author = {Zuntao Liu and Yaohui Li and Chenming Hu and Delei Kong and Junjie Jiang and Zheng Fang},
journal= {arXiv preprint arXiv:2402.10476},
year = {2025}
}
备注
8 pages, 6 figures