Spiking-YOLO:Spiking Neural Network for Energy-Efficient Object Detection
主要贡献：
1.第一次将深度SNN应用到目标检测领域
2.channel-wise normalization （一种新的标准化方法，方便数据的处理）
3.signed neuron with imbalanced threshold （一种新的激活函数）
baseline：Tiny YOLO
一、脉冲神经网络（spiking neural network，简称 SNN）
第一代神经网络是感知器，它是一个简单的神经元模型并且只能处理二进制数据。第二代神经网络包括比较广泛，包括应用较多的BP神经网络。但是从本质来讲，这些神经网络都是基于神经脉冲的频率进行编码( rate coded）。
个人理解，第二代的神经网络的反向传播算法无生物基础，大脑中没有类似机制；而SNN将时间概念引入后，具有较强的生物基础。目前SNN的中文资料很少，第一次接触，可参考以下链接：
https://www.jiqizhixin.com/articles/2018-01-13-7
https://zhuanlan.zhihu.com/p/45208720
https://zhuanlan.zhihu.com/p/66907747
二、Method
1、channel-wise normalization（逐通道标准化）
Layer-wise (逐层标准化)：即选取每一层中的最大值（maximum activation）对输入进行标准化。对于输入进行归一化，必须选取合适的maximum activation，过大会导致under-activation，而过小会导致over- activation。
这种方法，对输入进行标准化等同于对该层参数进行标准化，即
问题：应用该种方法检测效果不佳
分析：如下图所示，使用该种方法进行标准化，会使得标准化后的某些值趋于零。而对于回归问题，数据的精确传输必然会影响回归的效果。举个例子，如果要传输0.007，则在一个周期T内需要的脉冲数量为1000，如果脉冲数不够（这可能和SNN的机制有关系，不是很了解），那么就无法传输，从而导致信息的丢失，影响回归的精确度。
作者的思路：既然使用每一层的效果不佳，maximum activation选的不合适，那么选取每一层中的各通道的maximum activationxiao应该回比上述方法好一些。于是作者就提出了channel-wise normalization（逐通道标准化）。通道就是说卷积层的每一层输出，即特征图有好几层，每一层可称为一个通道（这里我还纠结了好久）。用公式可描述如下：
效果如何呢？
这里先补充一个概念：Fire rate，即脉冲出现的频率，定义为N/T。N为给定的一个时间T内脉冲出现的总次数。
通过这种方法，可以看到下图中使用逐通道标准话的fire rate高于逐层标准化的fire rate。Fire rate变大，即意味着表达的值越大，就不会出现上文所述的表达0.007所带来的挑战。
总结：作者的思路清晰，从发现问题、分析问题、解决问题、进行验证，论述有理有据。虽然说这种方法在原文中method这部分被作者写得十分有用，但在最后的实验中，其对最终的检测效果所起作用不如下文中的方法大。
2、Signed neuron featuring imbalanced threshold（阈值失衡的标签神经元）
Leaky-ReLU：（一种激活函数）
问题：目前的大部分DNN-SNN转换过程中都忽略了激活函数的负数域。可以注意到Tiny YOLO中负值占到了51%（个人觉得这是这篇文章最大的贡献，也是最大的额问题所在，同时也是效果提升的关键所在）。但是在neuromorphic chips（神经形态芯片）中准确的实现leaky-ReLU非常有难度。（为什么难以实现我也不是很清楚）
解决：一种新的激活函数，如下公式和图6所示。
三、结果
1、检测结果
可以看到，文中提出的第二种方法对检测效果的提升作用最大。Vmem 和spike count的区别？？
从上图可以看出channel-norm的spiking-YOLO比layer-norm的spiking-YOLO速度更快。这是逐层标准化的第二个作用吧。
2、耗能的比较
可以看出，spiking-YOLO相比Tiny-YOLO耗能更小，而通过逐层标准化的耗能小于逐通道标准化。
四、全文总结与展望
SNN第一次应用于目标检测领域，虽然当前的mAP不是很高，但其在耗能更少，且具有前端性。毕竟SNN被称为第三代人工神经网络，更加符合类脑的逻辑。
