苏州建网站提青海省交通建设管理局网站
1. 研究背景与动机
- 事件相机的优势与挑战：事件相机（如DVS）提供高时间分辨率（~10μs）、高动态范围（140dB）和低运动模糊，适用于快速运动场景（如自动驾驶）。但事件数据稀疏且高分辨率，传统ANN方法（如CNN）处理时参数多、计算量大（高MAC操作），不适合边缘设备；SNN方法在神经形态硬件上能效高、延迟低，但精度通常低于ANN。
- 现有方法局限：ANN模型（如SparseConv、RetinaNet）精度较高但资源密集（参数达100M+）；SNN模型（如VGG-SSD、EMS-RES）能效好但精度不足（mAP<0.32）；RNN/Transformer方法（如RVT、S5-ViT）精度高但计算开销大。混合SNN-ANN架构被提出以结合SNN的能效和ANN的精度，但桥接模块设计不足，限制了在对象检测任务中的应用。
- 研究目标：提出一种混合SNN-ANN模型，引入注意力机制桥接模块（β_asab）实现高效空间-时间特征提取，并在神经形态硬件上部署SNN部分，达到高精度、低延迟和低功耗。
2. 提出方法：混合SNN-ANN架构
论文的核心是一个三部分架构：SNN层处理原始事件数据、注意力桥接模块转换稀疏特征、ANN层提取高级特征，并支持RNN变体处理多时间尺度动态。