Linienbasierte Ereignisvorverarbeitung senkt Energieverbrauch neuromorphen Vision

Neuromorphe Bildverarbeitung hat in den letzten Jahren enorme Fortschritte erzielt, weil Spiking Neural Networks (SNNs) sich hervorragend für die Verarbeitung von Ereignisdaten eignen. Sie bieten biologische Inspiration, niedrigen Energieverbrauch, geringe Latenz und sparsame Speicher­nutzung – ideal für dynamische visuelle Aufgaben.

Dennoch bleibt die Optimierung des Energieverbrauchs ein zentrales Problem, besonders bei eingebetteten Systemen. Ein vielversprechender Ansatz ist die Vorverarbeitung von Ereignissen, um die Datenmenge zu reduzieren und damit die Anzahl der Synapsenoperationen – und damit den Strombedarf – zu senken.

In dieser Studie wurde ein end‑to‑end neuromorpher Linien­erkennungsmechanismus erweitert, um linienbasierte Ereignisvorverarbeitung einzuführen. Durch Tests an drei Standard‑Ereignis‑Datensätzen zeigte sich, dass die Vorverarbeitung ein günstiges Gleichgewicht zwischen Energieeinsparung und Klassifikationsleistung schafft.

Je nach gewählter Vorverarbeitungsstrategie und Komplexität der Klassifikationsaufgabe konnte die Genauigkeit erhalten oder sogar gesteigert werden, während die theoretische Energie­belastung deutlich reduziert wurde. Diese Ergebnisse legen den Grundstein für eine ressourcenschonendere neuromorphe Computer‑Vision, die dank gezielter Ereignisvorverarbeitung effizienter und kostengünstiger wird.