Tag · 17 篇
脉冲神经网络
面向脉冲神经网络对抗鲁棒性的可靠评测
Towards Reliable Evaluation of Adversarial Robustness for Spiking Neural Networks
对做 SNN 或脉冲类模型对抗鲁棒性评测的人，ASSG 提供了一种按输入分布自适应调整替代函数形状、缓解梯度消失的梯度估计手段，SA-PGD 则在梯度不精确时用自适应步长稳定收敛，可直接替换现有 PGD 评测流程，避免高估鲁棒性。
时序表征增强（TRE）：学习遗忘主导模式以增强时序脉冲特征
Temporal Representation Enhancement (TRE): Learning to Forget Dominant Patterns for Enhanced Temporal Spiking Features
对训练多时间步脉冲网络的人有用：用类特定贡献估计加时序累积找出主导语义模式并动态抑制，把监督从「时间不变」改成「时间互补」，可直接套到任意 SNN 骨干上提升时序判别力与特征多样性。
脉冲 Transformer 中的时序交互与多延迟混合器
Temporal Interaction in Spiking Transformers with Multi-Delay Mixer
MD-Mixer 作为即插即用模块替换脉冲 Transformer 中的空间自注意力，为事件相机等神经形态视觉输入提供显式时序混合，可直接用于事件驱动视觉骨干网络的改造。
Stable Spike：基于按位与运算的脉冲神经网络双重一致性优化
Stable Spike: Dual Consistency Optimization via Bitwise AND Operations for Spiking Neural Networks
用按位与操作从多时间步脉冲图中解耦出稳定脉冲骨架，并以此作为一致性目标约束不稳定脉冲图，这一思路可迁移到任何需要跨时间步表征一致性的视觉模型（如视频/事件相机骨干网络）中，作为无需额外标注的表示正则手段。
SpikeTrack：基于脉冲神经网络的高性能节能事件相机目标跟踪
SpikeTrack: High-performance and Energy-efficient Event-Based Object Tracking with Spiking Neural Network
把纯脉冲驱动的 SNN 骨干与 DI-LIF 自适应整数激活结合，用于事件相机单目标跟踪；其 MSST 训练范式（多搜索序列配单模板）可作为事件数据上时序依赖建模与低功耗推理的可复用方案。
SpikeTrack：面向高效视觉跟踪的脉冲驱动框架
SpikeTrack: A Spike-driven Framework for Efficient Visual Tracking
把脉冲神经网络的不对称时间步扩展与单向信息流设计用于 RGB 跟踪，并用记忆检索模块在分支间传递模板线索；对做视觉跟踪或想在视觉任务中引入 SNN 低能耗计算的人，这是一套可直接借鉴的骨干与跨分支信息传递范式。
脉冲驱动的离散聚合用于事件相机目标检测
Spike-driven Discrete Aggregation for Event-based Object Detection
把事件流到稠密张量的表征聚合从「无差别累积」改成「阈值触发的离散选择」，用门控循环脉冲神经元实现可微的稀疏事件筛选，可直接替换事件检测/识别流水线中的事件体素化或时间聚合前端。
稀疏地刻画变化：面向遥感解译的脉冲时序框架
Sparsely Timing the Change: A Spiking Temporal Framework for Remote Sensing Interpretation
把双时相辐射差转成带 time-to-first-spike 特性的稀疏脉冲序列，再用 SNN 提取动态变化特征，并通过可学习时序衰减与 ANN 语义特征融合——这套「脉冲编码+轻量适配器」思路可迁移到任何需要从稀疏时序观测中挖掘动态信息的视觉任务（如视频变化检测、事件相机处理）。
SDTrack：基于脉冲神经网络的事件相机跟踪基线
SDTrack: A Baseline for Event-based Tracking via Spiking Neural Networks
把全脉冲驱动的 SNN 骨干网络与 Transformer 跟踪头组合成端到端跟踪管线，并用 Global Trajectory Prompt 把全局轨迹信息聚合进事件帧，为在事件相机上做低功耗时序跟踪提供了可复用的架构与事件帧构造思路。
基于时序互信息的鲁棒脉冲神经网络
Robust Spiking Neural Networks by Temporal Mutual Information
把信息瓶颈推广到时序维度，用输入与脉冲潜变量之间的互信息作为正则项来收紧鲁棒误差界；做脉冲网络或时序动态模型对抗鲁棒性的人可以直接复用这一正则化思路与理论分析框架。
重新审视 SNN 在线训练与部署：基于混合驱动 LIF 模型的梯度一致学习
Rethinking SNN Online Training and Deployment: Gradient-Coherent Learning via Hybrid-Driven LIF Model
HD-LIF 通过在上、下阈值区域采用不同的脉冲计算机制，把时序梯度分离并缓解替代梯度错位，为视觉任务中 SNN 的在线训练提供了一条在精度、显存占用与功耗之间取得平衡的路径；做低功耗视觉骨干或事件相机后端的研究者可直接替换 LIF 单元复用该机制。
使用带自突触的单个神经元重建脉冲神经网络
Reconstructing Spiking Neural Networks Using a Single Neuron with Autapses
用带时延自突触的单个LIF神经元通过时序复用实现储备池、MLP与卷积类脉冲架构，为视觉任务提供一种以时间延迟换取神经元数量与状态显存大幅下降的紧凑计算单元思路。
论时序粒度在脉冲神经网络鲁棒性中的作用
On the Role of Temporal Granularity in the Robustness of Spiking Neural Networks
提出时序粒度攻击（TG-Attack）和时序敏感度（TSV）来评估脉冲神经网络在单个时间步的鲁棒性，并设计时序粒度正则化（TG-Reg）提升整体鲁棒性，为SNN的对抗鲁棒性分析提供了细粒度工具。
神经动力学驱动的耦合神经P系统用于多聚焦图像融合
Neurodynamics-Driven Coupled Neural P Systems for Multi-Focus Image Fusion
用脉冲发放计数直接生成边界精确的决策图、免去后处理，这一思路可迁移到其他需要像素级二值决策的低层融合任务（如曝光融合、去雾中的区域选择），并为用生物可解释模型替代黑盒融合网络提供参考。
MemFlow：面向快速域自适应特征映射的轻量前向记忆框架
MemFlow: A Lightweight Forward Memorizing Framework for Quick Domain Adaptive Feature Mapping
用冻结骨干网络加随机连接脉冲神经元的前向记忆机制替代反向传播微调，为视觉模型在边缘设备上做在线域自适应提供了一条无需梯度的快速路径，可直接用于测试时自适应场景。
EventGait：面向事件流的鲁棒步态识别
EventGait: Towards Robust Gait Recognition with Event Streams
把事件相机引入步态识别，用脉冲专家混合（MoSE）建模微秒级动态、用跨模态结构对齐（CroSA）借助大视觉基础模型蒸馏稠密形状表征，为低光照/高动态场景下的人体运动识别提供了可复用的双流事件表征方案。
基于脉冲神经元的动态场景动静分解新视角合成
Dynamic-Static Decomposition for Novel View Synthesis of Dynamic Scenes with Spiking Neurons
用脉冲神经元构建时空细粒度掩码场与不连续动静标签场，替代不准确的掩码先验来分配动态/静态高斯基元，可直接迁移到任何基于高斯泼溅的动态场景重建管线中以改善运动边界与侧视角渲染。