脉冲神经网络加速事件视觉位置识别

2026年10月14日，arXiv Computer Vision 发布 Somayeh Hussaini 等作者的论文预印本，提出用脉冲神经网络（SNN）消除事件相机视觉位置识别（VPR）的计算瓶颈。研究者训练了一个两层 SNN，采用加性脉冲时序依赖可塑性（STDP），使权重矩阵呈强双峰分布，从而支持大幅剪枝；推理时只读取与查询活跃像素对应的剪枝权重，每个神经元的得分简化为匹配突触的整数计数，可在普通 CPU 上于数十微秒内完成事件式 VPR 查询。据该预印本称，在三个事件式 VPR 基准上，其稀疏 SNN 的召回率超过现有事件式 SNN LENS，同时将每次查询延迟降低 5.5–6.2 倍至数十微秒；其召回率与本网络的稠密变体及绝对差之和（SAD）基线相当，而读取的权重比稠密变体少 10 倍。论文共 8 页、6 图，处于审稿中。上述性能数据均来自作者自述，尚待同行评审验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。