无标签脉冲学习也能90.3%准确率，逼近监督网络！
Unsupervised spiking feature learning for event-based pedestrian crossing detection: approaching supervised accuracy without labelled training data
📖 AI 总结
本研究探讨了在无标签条件下利用脉冲神经网络进行行人过街检测的可行性，并在DVS-PedX基准上报告了首个无监督结果。方法采用单层脉冲网络，通过赢者通吃机制与脉冲时序依赖可塑性从无标注事件帧块中学习滤波器字典，再以余弦相似度编码、空间池化并由线性分类器读出，后者是唯一的监督环节。在24454帧测试集上，该方法取得90.3%准确率和0.936的AUROC，接近端到端监督脉冲网络的92.0%与0.943；恶劣天气下AUROC为0.913。结果显示性能对可塑性规则不敏感，却高度依赖读出协议——采用经典神经元分配读出时AUROC仅0.70。这表明在该基准上，特征学习去除标签的精度代价很小，而无监督脉冲网络此前报告的不足可能源于读出协议而非学习规则本身。
🔑 关键词速览
| 脉冲神经网络 (SNN) | 一种模拟生物神经元脉冲发放机制的人工神经网络，适合处理事件相机等稀疏时空数据。 |
| 脉冲时序依赖可塑性 (STDP) | 一种基于突触前后脉冲时间差来调整连接强度的无监督学习规则，常用于脉冲神经网络。 |
| 赢者通吃 (WTA) | 一种竞争学习机制，只有响应最强的神经元被激活并更新权重，促进特征选择性。 |
| 接收者操作特征曲线下面积 (AUROC) | 衡量二分类模型性能的指标，值越接近1表示分类能力越强。 |
| DVS-PedX | 一个基于动态视觉传感器（DVS）的行人过街检测基准数据集，用于评估事件相机算法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅