Visão Baseada em Eventos na Edge: Uma Revisão

Redes Neurais de Spikes (SNNs) executadas em hardware neuromórfico prometem inferência energeticamente eficiente e de baixa latência, bem adequada para implantação em ambientes com restrições de tamanho, peso e potência, como veículos autônomos, dispositivos vestíveis e plataformas aéreas não tripuladas. No entanto, um caminho de pesquisa coerente para a implantação de dispositivos neuromórficos continua elusivo. Este artigo apresenta uma revisão estruturada e uma posição sobre o estado da visão baseada em SNN em quatro dimensões interconectadas: arquiteturas de rede, metodologias de treinamento, conjuntos de dados baseados em eventos e técnicas de simulação, e hardware de computação neuromórfico. Nós pesquisamos a evolução de SNNs convolucionais rasos para Transformers de spiking e designs híbridos que aproveitam as vantagens de SNNs e redes neurais artificiais convencionais. Também examinamos o treinamento por gradiente substituto e abordagens de conversão de ANN para SNN, catalogamos conjuntos de dados baseados em eventos do mundo real e simulados, e avaliamos o cenário das plataformas neuromórficas, que vão de arquiteturas rígidas de sinal misto a sistemas digitais totalmente configuráveis. Nossa análise revela que, embora cada área tenha amadurecido consideravelmente de forma isolada, desafios críticos de integração persistem. Em particular, conjuntos de dados baseados em eventos continuam escassos e carecem de padronização, metodologias de treinamento introduzem lacunas sistemáticas em relação ao hardware de implantação, e o acesso a plataformas neuromórficas é restrito por ferramentas proprietárias e disponibilidade limitada de kits de desenvolvimento. Concluímos que preencher essas lacunas de integração, em vez de avançar apenas componentes individuais, representa o trabalho mais importante e menos abordado necessário para realizar o potencial da visão baseada em SNN na edge.