Spiking neural networks (SNNs) are a kind of neural networks capable of processing event-based data in real-time, resource-constrained environments. This study focuses on evaluating the performance of SNNs for object tracking, specifically tracking cars. The primary goal of this research is to investigate and compare different SNN architectures in the context of traffic monitoring, then adjust the number of parameters on the best-performing architecture to investigate differences in performance. The results are analyzed to understand further how different SNN designs perform, and the implications of these findings are discussed. The network demonstrated the ability to learn key features of cars and disregard irrelevant events, validating the viability of using a spiking neural network for traffic tracking. The thesis highlights the importance of optimizing the trade-off between network size and performance, particularly when working with resource-constraint applications.

Spikande neurala nätverk (SNN) är en typ av neurala nätverk som kan bearbeta händelsebaserad data i realtid och i resursbegränsade miljöer. Denna studie fokuserar på att utvärdera SNNs prestanda för objektspårning, specifikt för att spåra bilar. Det primära målet med forskningen är att undersöka och jämföra fyra olika SNN-arkitekturer inom trafikövervakning och därefter justera antalet parametrar i den bäst presterande arkitekturen för att undersöka skillnader i prestanda. Resultaten analyseras för att ytterligare förstå hur olika SNN-designs presterar, och implikationerna av dessa fynd diskuteras. Nätverket visade förmågan att lära sig de huvudsakliga karaktärsdragen hos bilar och bortse från irrelevanta signaler, vilket bekräftar möjligheten att använda ett spikande neuralt nätverk för trafikspårning. Avhandlingen belyser vikten av att optimera balansen mellan nätverkets storlek och prestanda, särskilt i resursbegränsade applikationer.