Event-based neural networks are currently being explored as efficient solutions for performing AI tasks at the extreme edge. To fully exploit their potential, event-based neural networks coupled to adequate preprocessing must be investigated. Within this context, we demonstrate a 4-b-weight spiking neural network (SNN) for radar gesture recognition, achieving a state-of-the-art 93% accuracy within only four processing time steps while using only one convolutional layer and two fully connected layers. This solution consumes very little energy and area if implemented in event-based hardware, which makes it suited for embedded extreme-edge applications. In addition, we demonstrate the importance of signal preprocessing for achieving this high recognition accuracy in SNNs compared to deep neural networks (DNNs) with the same network topology and training strategy. We show that efficient preprocessing prior to the neural network is drastically more important for SNNs compared to DNNs. We also demonstrate, for the first time, that the preprocessing parameters can affect SNNs and DNNs in antagonistic ways, prohibiting the generalization of conclusions drawn from DNN design to SNNs. We demonstrate our findings by comparing the gesture recognition accuracy achieved with our SNN to a DNN with the same architecture and similar training. Unlike previously proposed neural networks for radar processing, this work enables ultralow-power radar-based gesture recognition for extreme-edge devices.

中文翻译：

---

通过预处理提高尖峰神经网络雷达手势识别的准确性

目前正在探索基于事件的神经网络作为在极端边缘执行 AI 任务的有效解决方案。为了充分发挥其潜力，必须研究与充分预处理相结合的基于事件的神经网络。在此背景下，我们展示了用于雷达手势识别的 4-b 权重尖峰神经网络 (SNN)，仅在四个处理时间步骤内实现了最先进的 93% 准确率，同时仅使用一个卷积层和两个完全卷积层连接层。如果在基于事件的硬件中实施，该解决方案消耗的能量和面积非常小，这使其适用于嵌入式极端边缘应用程序。此外，与具有相同网络拓扑和训练策略的深度神经网络 (DNN) 相比，我们证明了信号预处理对于在 SNN 中实现这种高识别精度的重要性。我们表明，与 DNN 相比，神经网络之前的有效预处理对于 SNN 更为重要。我们还首次证明预处理参数会以对立的方式影响 SNN 和 DNN，从而禁止将从 DNN 设计得出的结论推广到 SNN。我们通过将使用我们的 SNN 实现的手势识别准确性与具有相同架构和类似训练的 DNN 进行比较来证明我们的发现。与之前提出的用于雷达处理的神经网络不同，这项工作可以为极端边缘设备实现基于超低功耗雷达的手势识别。我们表明，与 DNN 相比，神经网络之前的有效预处理对于 SNN 更为重要。我们还首次证明预处理参数会以对立的方式影响 SNN 和 DNN，从而禁止将从 DNN 设计得出的结论推广到 SNN。我们通过将使用我们的 SNN 实现的手势识别准确性与具有相同架构和类似训练的 DNN 进行比较来证明我们的发现。与之前提出的用于雷达处理的神经网络不同，这项工作可以为极端边缘设备实现基于超低功耗雷达的手势识别。我们表明，与 DNN 相比，神经网络之前的有效预处理对于 SNN 更为重要。我们还首次证明预处理参数会以对立的方式影响 SNN 和 DNN，从而禁止将从 DNN 设计得出的结论推广到 SNN。我们通过将使用我们的 SNN 实现的手势识别准确性与具有相同架构和类似训练的 DNN 进行比较来证明我们的发现。与之前提出的用于雷达处理的神经网络不同，这项工作可以为极端边缘设备实现基于超低功耗雷达的手势识别。禁止将从 DNN 设计得出的结论推广到 SNN。我们通过将使用我们的 SNN 实现的手势识别准确性与具有相同架构和类似训练的 DNN 进行比较来证明我们的发现。与之前提出的用于雷达处理的神经网络不同，这项工作可以为极端边缘设备实现基于超低功耗雷达的手势识别。禁止将从 DNN 设计得出的结论推广到 SNN。我们通过将使用我们的 SNN 实现的手势识别准确性与具有相同架构和类似训练的 DNN 进行比较来证明我们的发现。与之前提出的用于雷达处理的神经网络不同，这项工作可以为极端边缘设备实现基于超低功耗雷达的手势识别。