超级会员免费看
一、论文结构与核心问题
研究背景：
脉冲神经网络（SNNs）因生物启发的低功耗特性备受关注，但传统卷积架构面临二进制脉冲导致的信息损失问题。脉冲Transformer虽引入自注意力机制，却存在两大局限：
- 时空割裂：现有方法（如Spikformer）仅关注空间注意力，忽略时间维度关联
- 计算效率低：传统时空注意力需O(T²N²D)复杂度，难以部署
解决方案：
提出脉冲时空注意力Transformer（STAtten）：
- 分块计算：将时间轴划分为局部块处理
- 无Softmax设计：利用脉冲二值特性简化运算
- 即插即用：兼容主流脉冲Transformer架构
- 性能突破：CIFAR100-DVS数据集达83.9%准确率（提升1.0%）
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
