I2E

I2E数据集是通过I2E算法生成的，用于高性能脉冲神经网络（SNN）的训练。这些数据集包括I2E-CIFAR10、I2E-CIFAR100和I2E-ImageNet，通过将静态图像转换为高保真事件流，填补了神经形态计算中的数据稀缺问题。I2E框架通过高度并行化的卷积模拟微扫视眼动，实现了实时图像到事件流的转换（速度比先前方法快300倍以上）。数据集在Event-based ImageNet上达到了60.50%的top-1准确率，并在真实世界的CIFAR10-DVS上通过预训练实现了92.5%的准确率，创下了新的基准。

原始信息汇总

I2E数据集概述

数据集基本信息

• 数据集名称：I2E-Datasets
• 发布机构：UESTC-BICS
• 许可协议：MIT License
• 关联论文：I2E: Real-Time Image-to-Event Conversion for High-Performance Spiking Neural Networks (AAAI 2026 Oral)
• 论文地址：https://arxiv.org/abs/2511.08065
• 官方代码库：https://github.com/Ruichen0424/I2E

数据集目的与背景

该数据集是论文“I2E: Real-Time Image-to-Event Conversion for High-Performance Spiking Neural Networks”的配套数据集。I2E是一个开创性的框架，旨在通过模拟微扫视眼动，将静态图像实时转换为高保真的事件流，以弥合神经形态计算中的数据稀缺鸿沟。

数据集内容与构成

数据集包含以下三个由静态图像转换生成的事件流数据集：

1. I2E-CIFAR10
2. I2E-CIFAR100
3. I2E-ImageNet

数据集文件存放于Hugging Face的“Files and versions”页面：https://huggingface.co/datasets/UESTC-BICS/I2E/tree/main

关键性能指标

• 转换速度：实时转换，速度比先前方法快300倍以上。
• SOTA性能：在Event-based ImageNet上达到**60.50%**的Top-1准确率。
• 仿真到现实迁移：在I2E数据上预训练的模型，在真实世界的CIFAR10-DVS数据集上实现了**92.5%**的准确率，创造了新基准。

模型性能结果摘要

以下结果基于MS-ResNet18架构，除非特别说明。

目标数据集	方法	最高Top-1准确率
CIFAR10-DVS (真实)	Transfer-II (仿真到现实)	92.5%
I2E-CIFAR10	Transfer-I	90.86%
I2E-CIFAR100	Transfer-I	64.53%
I2E-ImageNet	MS-ResNet34, Baseline-II	60.50%

使用说明

1. 数据集文件可通过上述“Files and versions”链接获取。
2. 对于I2E-ImageNet，可能需要使用命令拼接分卷压缩文件：cat ./I2E-ImageNet_split.part_* > ./I2E-ImageNet.zip
3. 可使用提供的MD5校验和文件 (md5.txt) 验证文件完整性：md5sum -c md5.txt
4. 重要提示：此仓库仅托管数据集。数据生成代码、训练脚本及详细使用说明请参阅官方GitHub仓库：https://github.com/Ruichen0424/I2E

可视化

转换过程的可视化示例展示了从静态RGB图像到动态事件流的高保真转换。超过200个额外的可视化对比可在 ./Visualization.md 中找到。

引用

若使用本数据集或相关模型，请引用以下论文： bibtex @article{ma2025i2e, title={I2E: Real-Time Image-to-Event Conversion for High-Performance Spiking Neural Networks}, author={Ma, Ruichen and Meng, Liwei and Qiao, Guanchao and Ning, Ning and Liu, Yang and Hu, Shaogang}, journal={arXiv preprint arXiv:2511.08065}, year={2025} }

搜集汇总

数据集介绍

构建方式

在神经形态计算领域，数据稀缺问题长期制约着脉冲神经网络的发展。I2E数据集通过模拟人眼微扫视运动的生物机制，构建了一套创新的图像到事件流转换框架。该框架利用高度并行化的卷积操作，将静态图像实时转化为高保真度的事件流数据，其转换速度较先前方法提升超过三百倍。数据集的构建过程整合了CIFAR10、CIFAR100及ImageNet等经典视觉数据集作为源数据，通过算法生成对应的I2E-CIFAR10、I2E-CIFAR100和I2E-ImageNet事件流数据集，为模型训练提供了丰富的仿真神经形态数据。

使用方法

研究人员可通过Hugging Face平台直接获取已生成的I2E数据集文件，包括I2E-CIFAR10、I2E-CIFAR100和I2E-ImageNet。对于大型的I2E-ImageNet数据集，用户需按照提供的指令合并分卷压缩文件，并利用MD5校验码确保数据完整性。数据集主要用于脉冲神经网络的训练与评估，支持从头训练、数据增强以及迁移学习等多种范式。例如，可将在I2E-ImageNet上预训练的模型迁移至更小规模的事件分类任务，以提升模型性能与收敛速度。对于希望自定义生成过程的研究者，可访问项目GitHub仓库获取完整的算法代码与生成脚本，实现静态图像到事件流的按需转换。

背景与挑战

背景概述

在神经形态计算领域，数据稀缺长期制约着脉冲神经网络（SNN）的发展。I2E数据集作为一项前沿成果，由Ruichen Ma等研究人员于2025年提出，并将在AAAI 2026进行口头报告。该数据集通过模拟人眼微扫视运动，利用高度并行化的卷积操作，将静态图像实时转换为高保真度的事件流，旨在弥合静态视觉数据与动态事件驱动处理之间的鸿沟。其核心研究问题聚焦于如何高效生成大规模、高质量的合成事件数据，以增强SNN模型的训练与泛化能力。I2E在事件驱动的ImageNet基准上取得了60.50%的Top-1准确率，并通过模拟到真实的迁移学习，在CIFAR10-DVS上实现了92.5%的准确率，为神经形态视觉研究提供了关键的数据支撑。

当前挑战

I2E数据集致力于解决神经形态视觉中事件数据稀缺的核心挑战。传统事件相机采集的数据规模有限且标注成本高昂，制约了深度SNN的训练效果。该数据集通过图像到事件的转换，旨在生成足以训练复杂模型的大规模合成事件流，其面临的领域问题挑战在于如何确保合成事件在时空动态特性上逼近真实生物视觉信号，以保障模型在真实场景中的泛化性能。在构建过程中，研究团队需克服高保真度转换与实时性之间的平衡难题，早期方法转换速度缓慢，而I2E通过算法优化实现了超过300倍的加速，同时维持事件流的时空一致性，避免信息丢失或失真，这对计算架构与生物物理模拟的精确性提出了极高要求。

常用场景

经典使用场景

在神经形态计算领域，数据稀缺长期制约着脉冲神经网络的发展。I2E数据集通过模拟人眼微扫视运动，将静态图像实时转换为高保真事件流，为SNN训练提供了大规模、高质量的合成事件数据。其经典使用场景在于作为基准数据集，用于评估和比较不同SNN架构在图像分类任务上的性能，例如在I2E-ImageNet上达到60.50%的Top-1准确率，为模型优化提供了关键参照。

解决学术问题

该数据集有效解决了神经形态视觉研究中真实事件数据获取困难、标注成本高昂的核心瓶颈。通过提供从丰富静态图像库（如ImageNet、CIFAR）转换而来的大规模事件数据集，I2E使得研究者能够利用成熟的静态视觉数据集资源，高效开展SNN训练与算法验证。其意义在于弥合了模拟与真实事件数据之间的鸿沟，通过仿真到真实的迁移学习，在CIFAR10-DVS上实现了92.5%的准确率，显著推动了事件驱动计算范式的模型泛化能力研究。

实际应用

在实际应用层面，I2E框架支持实时图像到事件的转换，速度超越先前方法300倍以上，这为边缘设备上的动态视觉处理开辟了新途径。例如，在低功耗的神经形态硬件上，可利用I2E进行在线数据增强，实时生成事件流以训练或适配SNN模型，从而应用于自动驾驶中的快速目标识别、无人机导航的实时场景理解等对延迟和能效有严苛要求的场景，提升了事件相机系统的实用性与部署灵活性。

数据集最近研究

最新研究方向

在神经形态计算领域，数据稀缺长期制约着脉冲神经网络的发展。I2E数据集通过模拟微扫视眼动机制，实现了静态图像到高保真事件流的实时转换，为模型训练提供了丰富的仿真数据源。当前研究聚焦于利用该数据集推动仿真到现实的迁移学习，例如在CIFAR10-DVS真实数据集上取得了92.5%的准确率，显著提升了脉冲神经网络在复杂视觉任务中的泛化能力。这一进展不仅缓解了神经形态视觉领域的数据依赖瓶颈，也为低功耗边缘设备上的实时动态视觉处理开辟了新的技术路径。