时空注意力聚合器的脉冲神经网络（STAA-SNN）

训练方式
 • ANN→SNN 转换：需 64–256 时间步补偿量化误差，延迟高，且无法利用脉冲动态。
 • 无监督（STDP/Hebb）：难以做深层端到端优化。
 • 有监督 BPTT+替代梯度：梯度消失、膜电位震荡、易陷局部最优。

注意力尝试
 • TA-SNN、MA-SNN、TCJA-SNN 等仅把“通道-空间-时间”拆成独立模块，未在单个神经元层内同时完成时空耦合；
 • 无位置编码，时间顺序信息靠 RNN 式递归隐式携带，深度增加后衰减严重；
 • 未解决“多步特征固化”——越深时间步越易早熟，导致网络停止更新。

自适应 LIF
 将原来固定泄漏系数 1/τ、重置电位 Vreset 改成可学习矩阵 M、N，让每层兴奋/抑制强度可自动调节。

GC 块（空间自注意）
 输入 Xt,n∈RC×H×W → 1×1 卷积生成 K/Q/V → 通过 Sigmoid+LN+ReLU 得到权重 Wv∈RC×1×1 → 与原特征残差相加，实现“脉冲-驱动”的自注意。

PE 块
 生成可学习向量 Post,n∈RC，在时间轴上与输入 It,n 相加，使网络知道“当前是第几步”。

SA 块（步注意）
 对每步特征 Ut,n 先 AvgPool 压缩→Conv1→ReLU→Conv2→Sigmoid 得到步权重，与 Ut,n 逐像素相乘，实现“哪一步更重要”的自适应加权。

STAA-LIF 前向公式
 Ut,n = GC1(Xt,n) ⊕ GC2(Ht-1,n) // 空间聚合
 Vt,n = SA(Ut,n)　　　　　　　　　// 时间加权
 再代入标准 LIF 更新膜电位与脉冲。

TSRD
 训练阶段以 β=0.1 概率把 GC/PE/SA 全部旁路，只做简单相加；推理阶段全部打开。类似 Dropout，但作用于“模块级”而非“神经元级”。

静态图像
 • CIFAR-10：ResNet-19 + T=4 达 97.14%（↑0.42% 超 MPBN），且 T=1 即可 96.75%，比同量级方法少用 1–3 个时间步。
 • CIFAR-100：ResNet-19 + T=4 达 82.05%（↑1.95% 超 MPBN）。
 • ImageNet：ResNet-34 + T=4 达 70.40%（↑2.71% 超 SEW-ResNet）。

事件相机
 • CIFAR10-DVS：VGG-13 + T=16 达 82.10%（↑1.2% 超 Spikeformer）。
 • DVS128Gesture：VGG-13 + T=16 达 98.61%，与 LIAF+TA 持平但时间步减少 44%。

消融实验（CIFAR-100, T=4）
 Baseline
 → +GC +0.92%
 → +PE +0.57%
 → +SA +0.82%
 → +TSRD +0.32%，累计提升 2.80%。
 最佳 dropout 概率 β=0.1；GC 压缩系数 r=4 可在参数量↓4× 的同时保持精度。

可视化
 Grad-CAM 显示 STAA-LIF 在 CIFAR10-DVS 马样本上聚焦马头、马嘴等判别区域，而 Vanilla LIF 仅粗略轮廓。

能耗
 ResNet-20 在 CIFAR-100 上单张 32×32、T=4 仅 0.366 mJ，约为同精度 ANN 的 1/5。