摘要
车载嵌入式算法在延迟、精度和功耗方面具有极为严苛的要求。本文提出，直接在事件相机（event camera）采集的数据上训练脉冲神经网络（Spiking Neural Networks, SNNs），以设计高效、快速的车载嵌入式应用。事实上，SNNs 是一类更具生物合理性的神经网络模型，其神经元通过离散且异步的脉冲进行通信，这种工作模式天然具备低功耗特性，且对硬件友好。而事件数据本身具有时空上的二值性和稀疏性，因此成为脉冲神经网络的理想输入。然而，迄今为止，SNNs 在处理真实车载场景中的复杂问题（如在非受控环境下检测复杂目标）时，性能仍显不足。为解决这一挑战，我们充分利用了脉冲反向传播（spike backpropagation）领域的最新进展——包括替代梯度学习（surrogate gradient learning）、可参数化LIF（parametric LIF）模型以及SpikingJelly框架，并结合我们提出的新型事件编码方式——\textit{体素立方体}（voxel cube），成功训练了四种基于主流深度学习网络架构的SNN模型：SqueezeNet、VGG、MobileNet与DenseNet。由此，我们显著提升了文献中通常所考虑的SNN模型的规模与复杂度。本文在两个车载事件数据集上进行了实验，首次在脉冲神经网络领域取得了新的最先进分类性能。基于上述成果，我们将所设计的SNN与单发多框检测器（SSD）相结合，首次实现了能够在复杂GEN1车载检测事件数据集上完成目标检测的脉冲神经网络系统。