SpikeYOLO
PulseAugur coverage of SpikeYOLO — every cluster mentioning SpikeYOLO across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
脉冲神经网络为自主水下航行器提供高能效目标检测
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。
-
新型攻击针对事件驱动型SNN，延迟增加38%
研究人员开发了一种名为事件突发触发器（EBT）的新型可用性后门攻击，专门针对用于目标检测的事件驱动型脉冲神经网络（SNN）。该攻击将触发器注入训练数据中，在推理过程中导致时间上集中的事件流，显著增加了非极大值抑制（NMS）等后处理阶段的计算负载。虽然EBT在很大程度上保持了检测精度，但可能将NMS延迟最多增加38%，从而可能成为瓶颈。该攻击还会微妙地提高边缘平台的资源利用率，而不会出现明显的峰值，并且STRIP等标准检测方法难以识别它。
-
脉冲神经网络在节能汽车感知方面展现出潜力
研究人员已经证明了脉冲神经网络（SNNs）在汽车物体检测和跟踪方面的有效性，为传统的深度学习方法提供了一种更节能的替代方案。使用SpikeYOLO架构，该研究在KITTI和BDD100K MOT2020数据集上取得了有竞争力的性能。这项工作通过展示SNNs能够以显著降低的计算需求提供高性能感知，从而确立了SNNs在现实世界自动驾驶系统中的可行性。