基于时间依赖积分-放电神经元模型的超低延迟脉冲神经网络用于目标检测
计算机视觉与模式识别
2025-09-10 v2 人工智能
摘要
脉冲神经网络（SNNs）受大脑启发，以功耗极低和神经形态硬件上的快速推理能力为特征，已广泛应用于各种视觉感知任务。现有的 ANN-SNN 转换方法在分类任务中利用超低时间步长已取得优异结果，但在视觉检测任务中的性能仍不理想。本文提出一种延迟脉冲方法来缓解由异质脉冲模式引起的残余膜电位问题。此外，我们为 SNNs 提出了一种新型时间依赖积分-放电（tdIF）神经元架构。这使得积分-放电（IF）神经元能够根据时间步长的时序顺序动态调整其累积和放电行为。我们的方法使脉冲展现出不同的时序特性，而不仅仅依赖基于频率的表示。此外，tdIF 神经元的能耗与传统 IF 神经元持平。我们证明该方法能够以更低的时间步长实现更精确的特征表示，从而在视觉检测任务中实现高性能和超低延迟。在本研究中，我们在两个关键视觉任务上对 tdIF 方法进行了广泛评估：目标检测和车道线检测。结果表明，所提方法超越了当前的 ANN-SNN 转换方法，以超低延迟（在 5 个时间步长以内）实现了最先进的性能。
引用
@article{arxiv.2508.20392,
title = {Ultra-Low-Latency Spiking Neural Networks with Temporal-Dependent Integrate-and-Fire Neuron Model for Objects Detection},
author = {Chengjun Zhang and Yuhao Zhang and Jie Yang and Mohamad Sawan},
journal= {arXiv preprint arXiv:2508.20392},
year = {2025}
}
备注
12 pages, 8 figures