1. 一眼概览
FSTA-SNN 提出了一种频域驱动的时空注意力模块（FSTA），显著提升脉冲神经网络（SNN）的特征学习能力与能效，在多个数据集上实现了更优性能和更低的脉冲发放率。
2. 核心问题
当前 SNN 在信息稀疏表示方面虽具能效优势，但其中间脉冲输出存在冗余且缺乏系统分析，导致特征提取能力受限、性能不稳定。论文核心关注的问题是：如何在不增加能耗的前提下，抑制冗余脉冲、增强关键特征提取能力，从而提升 SNN 的整体性能与鲁棒性。
3. 技术亮点
- 频域分析揭示 SNN 学习偏好：首次系统性地从频域角度分析 SNN 不同层级与时序特征的学习行为，发现浅层偏向垂直特征，深层偏向水平特征，不同时间步特征趋于稳定。
- 提出 FSTA 模块：设计轻量级的频域驱动时空注意力模块，结合 DCT 空间注意力和可学习的时间注意力，显著抑制冗余脉冲，提升有效特征表达。
- 性能与能耗双优：在 CIFAR-10、CIFAR-100、ImageNet、CIFAR10-DVS 等多个数据集上，FSTA-SNN 实现最优精度表现，同时脉冲发放率降低约 33.99%，能耗无显著增加。
4. 方法框架
FSTA 模块以 plug-and-play 形式嵌入任意 SNN 网络层，包含两个子模块：
1）DCT-based 空间注意力模块
• 利用固定 DCT 卷积核提取不同频率分量，捕捉更丰富的空间特征；
• 将频域压缩结果与原始特征点乘，强化重要区域。
2）时间注意力模块
• 基于平均池化与最大池化提取每个时间步的脉冲幅值特征；
• 经线性层与 Sigmoid 得到时间注意力权重，动态调整每个时间步贡献度。
5. 实验结果速览
FSTA-SNN 在多个数据集上显著优于现有 SOTA 方法：
• CIFAR-10：ResNet19 架构下准确率达 96.52%，提升 0.44%；
• CIFAR-100：ResNet19 提升至 80.42%，为当前最高；
• ImageNet：ResNet34 准确率达 70.23%，领先现有方法近 3%；
• CIFAR10-DVS（动态数据）：ResNet20 达到 82.70%，性能最优；
• 脉冲发放率减少：整网发放率下降约 33.99%。
6. 实用价值与应用
FSTA-SNN 在不增加复杂性的前提下大幅提升 SNN 能效和表现，极具应用潜力：
• 低功耗智能设备：适用于边缘计算、神经拟态芯片等对能效要求高的场景；
• 事件驱动视觉处理：强化在动态视觉（如 DVS 摄像头）中的实时处理能力；
• 脉冲神经芯片部署：减少冗余脉冲，延长硬件寿命，利于大规模落地应用。
7. 开放问题
• 当前 FSTA 的频域卷积核为固定设计，未来是否能引入可学习频率权重，实现自适应频率感知？
• 不同任务中（如检测、分割）是否也存在类似的空间-频率偏好特征？FSTA 能否通用迁移？
• 在超低时间步设置下，FSTA 的抑冗与增强效果是否仍能保持？
