多尺度残差SNN

SOTA神经形态视觉分类

结合广义参数化LIF神经元与多尺度残差结构的尖峰神经网络，深度提取多维特征，在DVS-CIFAR10和DVS-Lip数据集上达到最优性能。

Li, Pengju · 张雅声 · Jiayu, Qiu · Jun, He · Jishun, Li · Chixing, Lu · 房玉强 · Jian, Zhao

IEEE Sensors Journal 2025

技术优势

神经元表达力更强

通过G-PLIF神经元模型使膜电位阈值在训练中动态变化，增强了神经元的动态异质性和表征能力。

深层特征提取更强

在残差块中引入多尺度金字塔结构，增强了网络提取深度多维特征的能力。

达到最优性能

在具有挑战性的DVS-CIFAR10和DVS-Lip数据集上均取得了最优性能，证明了方法的有效性。

应用场景

• 神经形态视觉：为神经形态视觉分类提供更高准确率的SNN模型，替代传统ANN方案。
• 边缘智能芯片：模型基于SNN，适合部署在低功耗边缘AI芯片上进行事件驱动推理。
• 事件相机信号处理：直接处理事件相机输出的脉冲信号，实现端到端分类。
• 低功耗视觉传感：稀疏脉冲计算特性可降低视觉传感系统功耗，适用于电池供电设备。