본 논문은 제한된 예시로부터 일반화하는 것이 점점 더 중요해지는 컴퓨터 비전 작업, 특히 몇 번의 학습(FSL)에서 뛰어난 성능을 보이는 심층 신경망(DNN)의 계산 비용과 확장성 문제를 해결하기 위해 제안되었다. 에너지 소모량이 적고 이벤트 기반의 특성을 가진 스파이킹 신경망(SNN)은 희소하고 동적인 데이터 처리에 효율적이지만, 복잡한 시공간적 특징을 포착하고 정확한 클래스 간 비교를 수행하는 데 어려움을 겪는다. 따라서 본 논문에서는 SNN 기반의 몇 번의 학습 프레임워크를 제안하여 자기 특징 추출 모듈과 교차 특징 대조 모듈을 결합하여 특징 표현을 개선하고 전력 소모를 줄였다. 시간 효율적인 훈련 손실과 InfoNCE 손실을 결합하여 스파이크 열차의 시간 역학을 최적화하고 판별력을 향상시켰다. 실험 결과, 제안된 FSL-SNN은 신경 형태 데이터 세트 N-Omniglot에서 분류 성능을 크게 향상시켰으며, CUB 및 miniImageNet과 같은 정적 데이터 세트에서도 낮은 전력 소모량으로 ANN과 경쟁력 있는 성능을 달성했다.
