كاميرا الحدث، وهي حساس بصري مُستوحى من الطبيعة، لاقت اهتمامًا كبيرًا بفضل تأخرها المنخفض، واستهلاكها المنخفض للطاقة، ونطاقها الديناميكي العالي. ومع ذلك، لا يزال التفوق في التدريب (overfitting) مشكلة حرجة في مهام التصنيف المستندة إلى الأحداث بالنسبة للشبكات العصبية الشبيهة بالدماغ (SNN)، نظرًا لقدرتها المحدودة نسبيًا على التمثيل المكاني. تُعد طريقة تكبير البيانات (data augmentation) طريقة بسيطة وفعالة لتقليل التفوق في التدريب وتحسين قدرة الشبكات العصبية على التعميم، كما أثبتت الطرق القائمة على استخلاص الخريطة السالience فعاليتها في مجال معالجة الصور. ومع ذلك، لم تُوجد حتى الآن أي طريقة قادرة على استخلاص خرائط السالience من الشبكات العصبية الشبيهة بالدماغ. لذلك، ولفعل أول مرة، نقدّم قاعدة التفاعل الطوري عبر الطبقات العصبية (Spiking Layer-Time-wise Relevance Propagation rule - SLTRP) وقاعدة التفاعل عبر الطبقات العصبية (Spiking Layer-wise Relevance Propagation rule - SLRP)، بهدف تمكين الشبكات العصبية الشبيهة بالدماغ من إنتاج خرائط مساعدة (CAMs) وخرائط سالience مستقرة ودقيقة. وباستناد إلى هذا، نقترح طريقة EventRPG، التي تعتمد على تفاعل التمثيل العصبي في الشبكة العصبية الشبيهة بالدماغ لتحقيق تكبير أكثر كفاءة. وقد تم تقييم الطريقة المقترحة على عدة هياكل للشبكات العصبية الشبيهة بالدماغ، حيث حققت أداءً متقدمًا جدًا في مهام التعرف على الكائنات، بما في ذلك N-Caltech101 وCIFAR10-DVS، بتحقيق دقة قدرها 85.62% و85.55% على التوالي، فضلًا عن مهام التعرف على الحركات (SL-Animals) بدرجة دقة تبلغ 91.59%. يمكن الاطلاع على الكود المقدم عبر الرابط التالي: https://github.com/myuansun/EventRPG.