Spiking Neural Networks 在空間定位的新嘗試

在 2015 年，Diehl 等人(Diehl and Cook 2015)展示了如何用 Spiking Neural Network（SNN）透過 STDP 學習規則來辨識 MNIST 手寫數字。這種仿生的學習方式引起不少關注，但近十年來，它是否真的走出 Toy example 、應用到更複雜任務上，一直是個問題。最近的一篇昆士蘭科技大學的論文(Hussaini, Milford, and Fischer 2025)嘗試將同樣的學習機制應用到視覺位置辨識（Visual Place Recognition, VPR）上，讓 SNN 學習辨認場景，並在仿神經硬體平台上獲得高效能的成果。

其核心做法並不複雜：研究者將整個地點資料庫分割為小區塊，讓多個模組化的 SNN 並行學習。推論時，他們將每個模組對查詢影像的預測融合（以向量平均的方式），形成一個整體預測，這稱為「模組化 SNN 集成（Ensemble of Modular SNNs）」。進一步，他們利用一個稱為 SeqMatch 的機制來追蹤序列中的地點變化，避免單幀預測的模糊或跳動。這其實與事件導向光流法中的 contrast maximization (Shiba, Aoki, and Gallego 2022)有相似之處：透過對齊時序上的相似性訊號來找出最連貫的路徑。

從生物學的角度來說，這篇論文沒引入新的學習規則——將舊有的 STDP 套在新的應用場景上。不過它在系統架構上的設計頗具工程思維，像是模組分工、集成、序列比對等技巧，使得整體系統具備一定可擴展性和低功耗潛力。

聲明：本文使用 OpenAI ChatGPT 協助撰寫

撰寫：葉宸甫

參考資料

1. Diehl, Peter U., and Matthew Cook. (2015). “Unsupervised Learning of Digit Recognition Using Spike-Timing-Dependent Plasticity.” Frontiers in Computational Neuroscience 9 (August). 

https://doi.org/10.3389/fncom.2015.00099.

 

2. Hussaini, Somayeh, Michael Milford, and Tobias Fischer. (2025). “Applications of Spiking Neural Networks in Visual Place Recognition.” IEEE Transactions on Robotics 41: 518–37.

https://doi.org/10.1109/TRO.2024.3508053.

 

3. Shiba, Shintaro, Yoshimitsu Aoki, and Guillermo Gallego. (2022). “Secrets of Event-Based Optical Flow.” In European Conference on Computer Vision, 13678:628–45.

https://doi.org/10.1007/978-3-031-19797-0_36.