研究人员开发了SpikeYOLO，一种新颖的脉冲神经网络（SNN），专为前视声纳图像中的高能效目标检测而设计。与YOLOv8m等传统卷积神经网络（CNN）相比，该方法可显著节省能源。在UATD数据集上，SpikeYOLO T=2实现了3.3倍的理论计算能耗，同时保持了具有竞争力的准确性。SNN在噪声鲁棒性方面也表现出色，并在特定数据集上优于其他CNN基线，使其成为功耗受限的自主水下航行器的有前途的解决方案。 AI
影响 这项研究可能带来更节能的水下机器人AI系统，从而实现更长的任务时间和更复杂的自主操作。
排序理由 该条目是一篇学术论文，详细介绍了一个新模型及其在特定数据集上的性能。[lever_c_demoted from research: ic=1 ai=1.0]
- Autonomous underwater vehicles
- Fast R-CNN
- Forward-Looking Sonar Imagery
- Marine-Debris-FLS
- SpikeYOLO
- Spiking neural networks
- UATD
- YOLO-SONAR
- YOLOv8m
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
