https://cwang-nbu.github.io/zh/tag/%E8%84%89%E5%86%B2%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/脉冲神经网络Hugo 0.163.3zhThu, 01 Jan 2026 00:00:00 +0000https://cwang-nbu.github.io/media/logo_hu_acfc7eb77d2f12e8.pnghttps://cwang-nbu.github.io/zh/tag/%E8%84%89%E5%86%B2%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/https://cwang-nbu.github.io/zh/project/zjnsfc2026-project/Thu, 01 Jan 2026 00:00:00 +0000https://cwang-nbu.github.io/zh/project/zjnsfc2026-project/<p><strong>浙江省自然科学基金 探索项目</strong></p> <p>本项目旨在构建新型跨架构、跨模态知识蒸馏框架，既提升传统卷积神经网络（CNN）性能，又基于人工神经网络（ANN）与RGB视频数据，探索并增强脉冲神经网络（SNN）在视频监控异常检测中的表现。项目借助 Transformer 的高性能特征提取能力（如 CLIP），通过引入可学习提示Token及模型结构重参数化技术，强化CNN表征能力，实现双向匹配的高效跨架构知识蒸馏。针对高动态视觉传感器（DVS）模态的时间步特性，构建其异常事件数据集，在数据层采用混合增强并引入模态判别学习，利用RGB数据流提升SNN基础性能。同时，在特征层面实现时间步匹配，基于信息瓶颈理论完成关键信息自适应匹配，通过压缩ANN（教师网络）与SNN（学生网络）的信息表示，仅提取核心部分进行交叉蒸馏，利用其稀疏性提升SNN的学习效率与泛化能力。项目最终将成果部署于国产化 AI 边缘计算及类脑计算平台，验证实际应用中的有效性与实时性。通过这些研究，项目不仅能推动知识蒸馏相关技术的发展，也为类脑计算上的智慧监控等领域的应用提供了新的可能性。</p>https://cwang-nbu.github.io/zh/publication/conference-paper-aaai2025-ucf-crime-dvs/Fri, 11 Apr 2025 00:00:00 +0000https://cwang-nbu.github.io/zh/publication/conference-paper-aaai2025-ucf-crime-dvs/