ED-sKWS: Early-Decision Spiking Neural Networks for Rapid,and Energy-Efficient Keyword Spotting

这篇论文介绍了一种基于脉冲神经网络（SNN）的关键词检测（KWS）模型，名为ED-sKWS，它具有早期决策机制，可以在语音结束前停止语音处理并输出结果，从而进一步降低延迟和能耗。此外，作者还引入了一种累积时间（CT）损失函数，可以提高中间和最终时间步的预测精度。为了评估早期决策的性能，作者提出了SC-100数据集，其中包括100个带有开始和结束时间戳注释的语音命令。在Google语音命令v2和SC-100数据集上的实验证明，相比没有早期决策机制的SNN模型，ED-sKWS在保证快速响应和能效的同时，保持了竞争性的准确性，其中61%的时间步骤和52%的能耗得到了节省。

论文旨在解决边缘计算中关键词识别（KWS）所需的快速和高效响应问题。同时，论文也试图验证使用早期决策机制和累积时间损失来进一步降低延迟和能耗的可行性。

论文提出了一种基于脉冲神经网络（SNN）的KWS模型ED-sKWS，并引入了早期决策机制和累积时间损失来提高预测准确性和降低延迟和能耗。

论文设计了SC-100数据集，包括100个带有时间戳注释的语音命令，用于评估早期决策性能。实验结果表明，相比没有早期决策机制的SNN模型，ED-sKWS在保持竞争性准确率的同时，降低了61%的时间步骤和52%的能耗。

目前在这个领域中，还有一些相关的研究，例如“Low-Latency Keyword Spotting Using a Combination of Convolutional and Recurrent Neural Networks”和“Efficient Keyword Spotting Using Dilated Convolutional Neural Networks with Gated Linear Units”。