SpikeSMOKE:一种用于单目3D物体检测的脉冲神经网络,采用跨尺度门控编码技术

《IEEE Transactions on Emerging Topics in Computational Intelligence》:SpikeSMOKE: Spiking Neural Networks for Monocular 3D Object Detection with Cross-Scale Gated Coding

【字体: 大 中 小 】 时间:2026年03月19日 来源:IEEE Transactions on Emerging Topics in Computational Intelligence 6.5

编辑推荐:

  针对3D目标检测能耗高的问题,提出基于脉冲神经网络(SNNs)的SpikeSMOKE架构,引入跨尺度门控编码机制(CSGC)增强特征表征,并设计轻量级残差块减少计算量。实验表明,在KITTI等数据集上IoU 0.7阈值下,相比基线SpikeSMOKE检测精度提升2.82-3.17%,SpikeSMOKE-L参数减少3倍、计算量降低10倍,显著降低能耗。

  

摘要:

随着3D物体检测在自动驾驶等领域的广泛应用,其能耗持续增加,因此研究低功耗的替代方案成为了一个关键的研究方向。具有低功耗特性的脉冲神经网络(SNNs)为这一研究提供了新的解决方案。为此,我们将SNNs应用于单目3D物体检测,并提出了SpikeSMOKE架构,这是对低功耗单目3D物体检测的一次新尝试。众所周知,与人工神经网络(ANNs)相比,SNNs的离散信号可能导致信息丢失,从而限制了它们的特征表示能力。为了解决这个问题,我们借鉴了生物神经元的突触过滤机制,提出了一种新的跨尺度门控编码机制(CSGC),该机制通过结合跨尺度融合和门控过滤机制来增强特征表示能力。此外,为了减少计算量并加速训练过程,我们设计了一种轻量级的残差块,能够在保持脉冲计算范式的同时实现尽可能高的检测性能。我们的方法在KITTI、NuScenes-mini和CIFAR10/100数据集上表现良好。与基线版本的SpikeSMOKE相比,在KITTI自动驾驶数据集上,采用CSGC的SpikeSMOKE在0.7 IoU阈值下分别实现了11.78(简单任务)、10.69(中等任务)和10.48(困难任务)的检测精度。值得注意的是,SpikeSMOKE的能耗显著低于SMOKE。而SpikeSMOKE-L(轻量级版本)的参数数量减少了3倍,计算量减少了10倍。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号