본 논문은 뉴로모픽 하드웨어에서의 낮은 전력 소모와 빠른 추론 능력으로 특징지어지는 스파이킹 신경망(SNN)을 시각적 인식 작업에 적용하는 연구에 관한 것이다. 기존의 ANN-SNN 변환 방법들은 분류 작업에서 우수한 성능을 보였으나, 시각적 검출 작업에서는 성능이 저조했다. 이를 해결하기 위해, 본 논문은 이질적인 스파이킹 패턴으로 인한 잔여 막 전위 문제를 완화하는 지연-스파이크 접근 방식과 시간 의존적 통합-발화(tdIF) 뉴런 아키텍처를 제안한다. tdIF 뉴런은 시간 단계의 순서에 따라 누적 및 발화 동작을 동적으로 조정하여 주파수 기반 표현에 의존하지 않고 스파이크가 명확한 시간적 특성을 나타낼 수 있도록 한다. 또한, 기존 IF 뉴런과 동일한 수준의 에너지 소모를 유지한다. 대상 검출 및 차선 검출 두 가지 시각 작업에 대한 광범위한 평가를 통해, 제안된 방법이 기존의 ANN-SNN 변환 방식을 능가하여 5회 미만의 시간 단계에서 최첨단 성능을 달성함을 보여준다.
