SNN 기반 이벤트 비전의 자기 지도 학습

이벤트 기반 비전 센서는 고속 인식, 넓은 동적 범위, 저전력 소비 등 여러 장점을 제공하며, 스파이킹 신경망(SNN)과 결합 시 뉴로모픽 하드웨어 및 임베디드 시스템에 적합합니다. 그러나 이러한 잠재력은 SNN 모델 학습에 필요한 대규모 레이블 데이터셋의 부족으로 인해 크게 제한됩니다. 본 연구에서는 레이블 부족 환경에서 SNN을 위한 대조적 자기 지도 학습 접근법인 EventCLR을 제안합니다. SimCLR 스타일 파이프라인을 스파이킹 도메인에 맞게 조정하고, 공간, 시간, 극성 변환 등 이벤트별 증강 기법들을 체계적으로 조합하여 적용했습니다. 다양한 이벤트 데이터셋(CIFAR10-DVS, N-Caltech101 등)에 대한 실험 결과, 자기 지도 사전 학습 후 미세 조정 방식이 저데이터 환경에서 지도 학습보다 우수한 성능을 보였으며, 소수 학습 및 준지도 학습 설정에서 일관된 성능 향상을 달성했습니다. 특히, 세 가지 증강 기법의 조합이 가장 효과적이며, 공간 및 시간 증강이 가장 상호 보완적임을 확인했습니다. EventCLR은 기존 대규모 접근법이 간과했던 레이블 효율성 문제를 직접적으로 다루며, 학습된 표현이 데이터셋 간에 전이될 수 있음을 보여줌으로써 레이블 부족 환경에서 강력한 이벤트 기반 모델 개발에 기여합니다.