Supervised STDP-Based Spiking Neural Network for Object Localization

Abstract

Object localization is a core task in computer vision, with applications ranging from everyday technologies to advanced autonomous systems. While ArtiĄcial Neural Networks (ANNs) have achieved remarkable accuracy in this domain, they typically incur substantial computational and energy costs. In contrast, Spiking Neural Networks (SNNs) have emerged as a biologically inspired and energy-efficient alternative, offering event-driven computation and temporal dynamics that more closely resemble neural processing in the brain. Among the various learning mechanisms for SNNs, Spike-Timing-Dependent Plasticity (STDP) stands out as one of the most prominent and biologically grounded methods. In this work, we propose a supervised adaptation of the STDP learning rule and apply it to the object localization problem. The proposed approach aims to leverage the local and event-driven nature of STDP while introducing task-level supervision to guide learning toward speciĄc objectives. Furthermore, to evaluate its effectiveness, we conduct a comparative analysis with the surrogate gradient method, which represents the dominant gradient-based approach for training deep SNNs. This study thus contributes to bridging the gap between biologically plausible learning and performance-driven optimization in event-based visual understanding. ***

La localisation dŠobjets constitue une tâche fondamentale en vision par ordinateur, avec des applications allant des technologies du quotidien aux systèmes autonomes avancés. Bien que les réseaux de neurones artiĄciels (ANNs) aient atteint une précision remarquable dans ce domaine, ils engendrent généralement des coûts computationnels et énergétiques élevés. À lŠinverse, les réseaux de neurones impulsionnels (SNNs) se présentent comme une alternative bio-inspirée et économe en énergie, offrant un traitement des informations basé sur les événements et des dynamiques temporelles proches de celles observées dans le cerveau humain. Parmi les différents mécanismes dŠapprentissage des SNNs, la plasticité dépendante du temps des impulsions (STDP) se distingue comme lŠune des méthodes les plus connues et biologiquement fondées. Dans ce travail, nous proposons une adaptation supervisée de la règle dŠapprentissage STDP et lŠappliquons au problème de localisation dŠobjets. LŠapproche proposée vise à exploiter la nature locale et événementielle du STDP tout en introduisant une supervision au niveau de la tâche aĄn dŠorienter lŠapprentissage vers des objectifs précis. De plus, aĄn dŠévaluer son efficacité, nous menons une analyse comparative avec la méthode du gradient substitut, qui représente lŠapproche dominante basée sur le gradient pour lŠentraînement des SNNs profonds. Cette étude contribue ainsi à réduire lŠécart entre lŠapprentissage biologiquement plausible et lŠoptimisation orientée performance dans le cadre de la compréhension visuelle basée sur les événements.