Integer-Valued Training and Spike-Driven Inference Spiking Neural Network for High-performance and Energy-efficient Object Detection

（☆ Award Candidate）

论文作者：罗昕昊，姚满，侴雨宏，徐波，李国齐

研究介绍：

SNN领域长久存在且难以克服的一个问题是如何在大规模复杂的检测任务上取得具有竞争力的性能。该研究提出的SpikeYOLO极大地弥合SNN和ANN在目标检测任务上的性能差距，主要包括两点贡献。首先，网络架构方面，该团队发现SNN中过于复杂的网络架构会导致脉冲退化，因此简化了架构设计（图1）。其次，脉冲神经元设计方面，提出一种新型脉冲神经元，采用整数训练和脉冲驱动推理，在有效降低脉冲神经元量化误差的同时保证脉冲驱动计算特性（图2）。实验结果表明，该方法在保证低功耗的同时，能够大幅提升任务性能。在静态数据集COCO上，SpikeYOLO的mAP达到了48.9%，比当前SNN领域SOTA结果高出18.7%。在神经形态数据集Gen1上，SpikeYOLO和同架构的ANN网络相比，mAP提高了2.7%，且能效提升5.7倍。

本研究展现了SNN在超低功耗边缘视觉端的广阔应用前景。目前，研究团队在进行SNN在更多典型边缘视觉场景中应用研究的同时，开展了通用SNN架构的硬件仿真及设计工作。这一工作在算法层面挖掘了SNN在性能/能效上的潜力，证明SNN在未来有能力实现对现有人工神经网络的低功耗替代，对于下一代神经形态算法/芯片的发展有着重要指导意义。

图1. SpikeYOLO架构设计

图2. I-LIF神经元