यह शोधपत्र दृश्य पहचान कार्यों में स्पाइकिंग न्यूरल नेटवर्क (SNN) के अनुप्रयोग का अध्ययन करता है, जिसकी विशेषता कम ऊर्जा खपत और न्यूरोमॉर्फिक हार्डवेयर पर तेज़ अनुमान है। मौजूदा ANN-से-SNN रूपांतरण विधियों ने वर्गीकरण कार्यों में उत्कृष्ट प्रदर्शन किया है, लेकिन दृश्य पहचान कार्यों में कमज़ोर प्रदर्शन किया है। इस समस्या के समाधान के लिए, यह शोधपत्र एक विलंबित-स्पाइक दृष्टिकोण और एक समय-निर्भर एकीकृत-फायर (tdIF) न्यूरॉन आर्किटेक्चर का प्रस्ताव करता है जो विषम स्पाइकिंग पैटर्न के कारण होने वाली अवशिष्ट झिल्ली क्षमता संबंधी समस्याओं को कम करता है। tdIF न्यूरॉन्स समय के चरणों के क्रम के अनुसार अपने संचय और फायरिंग व्यवहार को गतिशील रूप से समायोजित करते हैं, जिससे स्पाइक्स आवृत्ति-आधारित अभ्यावेदन पर निर्भर किए बिना विशिष्ट लौकिक विशेषताएँ प्रदर्शित कर सकते हैं। इसके अलावा, वे पारंपरिक IF न्यूरॉन्स के बराबर ऊर्जा खपत बनाए रखते हैं। दो दृश्य कार्यों—ऑब्जेक्ट डिटेक्शन और लेन डिटेक्शन—पर व्यापक मूल्यांकन से पता चलता है कि प्रस्तावित विधि मौजूदा ANN-से-SNN रूपांतरण विधियों से बेहतर प्रदर्शन करती है, और पाँच से कम समय चरणों में अत्याधुनिक प्रदर्शन प्राप्त करती है।
