SpikeDet：用于准确和能效的对象检测的更佳放电模式
计算机视觉与模式识别
2026-05-21 v5
摘要
放电神经网络 (SNN) 是神经网络的第三代。由于其低能耗和生物可解释性，SNN 在对象检测领域获得了广泛关注。然而，现有的 SNN 对象检测方法存在局部放电饱和问题，即在对象中心区域的相邻神经元同时达到最大放电率。这一异常的神经元放电模式降低了特征辨识能力和检测精度，同时增加了放电率，阻止了 SNN 实现潜能能效。为此，我们提出了 SpikeDet，一个优化放电模式以实现准确和能效对象检测的新型脉冲目标检测器。具体而言，我们设计了一种脉冲主干网络 MDSNet，通过有效调整每层的膜电-synaptic 输入分布，在脉冲特征提取期间实现更佳的神经元放电模式。对于颈部部件，为更好地利用和保留这些高质量的主干特征，我们引入了脉冲多方向融合模块 (SMFM)，实现了脉冲特征的多方向融合，增强了模型的多尺度检测能力。此外，我们提出了局部放电饱和指数 (LFSI) 来定量衡量局部放电饱和。实验结果验证了我们方法的有效性。在 COCO 2017 数据集上，SpikeDet 实现了 52.2% 的平均精度 (AP)，超越了之前的 SNN 方法 3.3% 的 AP，同时仅需一半的能耗。在对象检测子任务中，包括基于事件的 GEN1、 underwater URPC 2019、低光 ExDARK 和密集场景 CrowdHuman 数据集，SpikeDet 也均取得了最佳性能。
引用
@article{arxiv.2501.15151,
title = {SpikeDet: Better Firing Patterns for Accurate and Energy-Efficient Object Detection with Spiking Neural Networks},
author = {Yimeng Fan and Changsong Liu and Mingyang Li and Dongze Liu and Yuting Su and Yanyan Liu and Wei Zhang},
journal= {arXiv preprint arXiv:2501.15151},
year = {2026}
}