論文の概要: Event-Based Angular Velocity Regression with Spiking Networks

• arxiv url: http://arxiv.org/abs/2003.02790v1
• Date: Thu, 5 Mar 2020 17:37:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 06:25:45.274769
• Title: Event-Based Angular Velocity Regression with Spiking Networks
• Title（参考訳）: スパイクネットワークを用いたイベントベース角速度回帰
• Authors: Mathias Gehrig, Sumit Bam Shrestha, Daniel Mouritzen and Davide Scaramuzza
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、数値ではなく時間スパイクとして伝達される情報を処理する。 本稿では,イベントカメラから与えられた事象の時間回帰問題を初めて提案する。 角速度回帰を行うためにSNNをうまく訓練できることが示される。
• 参考スコア（独自算出の注目度）: 51.145071093099396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spiking Neural Networks (SNNs) are bio-inspired networks that process information conveyed as temporal spikes rather than numeric values. A spiking neuron of an SNN only produces a spike whenever a significant number of spikes occur within a short period of time. Due to their spike-based computational model, SNNs can process output from event-based, asynchronous sensors without any pre-processing at extremely lower power unlike standard artificial neural networks. This is possible due to specialized neuromorphic hardware that implements the highly-parallelizable concept of SNNs in silicon. Yet, SNNs have not enjoyed the same rise of popularity as artificial neural networks. This not only stems from the fact that their input format is rather unconventional but also due to the challenges in training spiking networks. Despite their temporal nature and recent algorithmic advances, they have been mostly evaluated on classification problems. We propose, for the first time, a temporal regression problem of numerical values given events from an event camera. We specifically investigate the prediction of the 3-DOF angular velocity of a rotating event camera with an SNN. The difficulty of this problem arises from the prediction of angular velocities continuously in time directly from irregular, asynchronous event-based input. Directly utilising the output of event cameras without any pre-processing ensures that we inherit all the benefits that they provide over conventional cameras. That is high-temporal resolution, high-dynamic range and no motion blur. To assess the performance of SNNs on this task, we introduce a synthetic event camera dataset generated from real-world panoramic images and show that we can successfully train an SNN to perform angular velocity regression.
• Abstract（参考訳）: Spiking Neural Networks (SNN) は、数値ではなく時間的スパイクとして伝達される情報を処理するバイオインスパイアネットワークである。 SNNのスパイクニューロンは、短時間でかなりの数のスパイクが発生した場合にのみスパイクを発生させる。 スパイクベースの計算モデルにより、SNNは、標準の人工ニューラルネットワークとは異なり、プリプロセスなしでイベントベースの非同期センサーから出力を処理できる。 これは、シリコン中のSNNの高度に並列化可能な概念を実装した特殊なニューロモルフィックハードウェアによって可能となる。 しかし、SNNは人工ニューラルネットワークと同じ人気を享受していない。 これは、入力形式がむしろ非慣習的であるだけでなく、スパイクネットワークのトレーニングの難しさにも起因している。 時間的性質と最近のアルゴリズムの進歩にもかかわらず、それらは主に分類問題で評価されてきた。 本稿では,イベントカメラから与えられた事象の時間回帰問題を初めて提案する。 具体的には,SNNを用いた回転イベントカメラの3自由度角速度の予測について検討する。 この問題の難しさは、不規則で非同期なイベントベースの入力から直接時間的に角速度を連続的に予測することから生じる。 イベントカメラの出力を事前処理なしで直接利用することで、従来のカメラから得られるすべてのメリットを継承できるのです。 これは高時間解像度、高ダイナミックレンジ、動きのぼやけがない。 本研究では,実世界のパノラマ画像から生成された合成イベントカメラデータセットを導入し,SNNを訓練して角速度回帰を実現できることを示す。

関連論文リスト

• SkipSNN: Efficiently Classifying Spike Trains with Event-attention [29.639889737632842]
  スパイクトレインの分類は最近、機械学習コミュニティにおいて重要なトピックとなっている。 有望なモデルは、関心の信号が現れる場合にのみ集中的な計算を行うという設計原則に従うべきである。 本稿では,SNNが本来のスパイク列車の有用な信号に動的にハイライトできるイベントアテンション機構を提案する。
  論文  参考訳（メタデータ） (2024-10-29T03:19:25Z)
• Fast-SNN: Fast Spiking Neural Network by Converting Quantized ANN [38.18008827711246]
  スパイキングニューラルネットワーク(SNN)は、計算とエネルギー効率の利点を示している。 離散スパイク関数のため、ディープSNNをトレーニングすることは依然として課題である。 本稿では低レイテンシで高い性能を実現する高速SNNを提案する。
  論文  参考訳（メタデータ） (2023-05-31T14:04:41Z)
• MSS-DepthNet: Depth Prediction with Multi-Step Spiking Neural Network [8.53512216864715]
  スパイキングニューラルネットワークは、イベントカメラタスクの処理に適していると考えられる、新しいイベントベースの計算パラダイムである。 この研究は、新しい残差ブロックと多次元アテンションモジュールを組み合わせたスパイクニューラルネットワークアーキテクチャを提案する。 このモデルはMVSECデータセットで同じ大きさのANNネットワークより優れており、計算効率が高い。
  論文  参考訳（メタデータ） (2022-11-22T10:35:36Z)
• Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。 非分化性のため、SNNを効率的に訓練することは困難である。 本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T12:44:49Z)
• AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
  イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。 AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
  論文  参考訳（メタデータ） (2022-03-31T16:21:12Z)
• Event-based Video Reconstruction via Potential-assisted Spiking Neural Network [48.88510552931186]
  バイオインスパイアされたニューラルネットワークは、イベント駆動ハードウェア上での計算効率の向上につながる可能性がある。 完全スパイキングニューラルネットワーク(EVSNN)に基づくイベントベースビデオ再構成フレームワークを提案する。 スパイクニューロンは、そのような時間依存タスクを完了させるために有用な時間情報(メモリ)を格納する可能性がある。
  論文  参考訳（メタデータ） (2022-01-25T02:05:20Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Fully Spiking Variational Autoencoder [66.58310094608002]
  スパイキングニューラルネットワーク(SNN)は、超高速で超低エネルギー消費のニューロモルフィックデバイス上で動作することができる。 本研究では,SNNを用いた可変オートエンコーダ(VAE)を構築し,画像生成を実現する。
  論文  参考訳（メタデータ） (2021-09-26T06:10:14Z)
• SpikeMS: Deep Spiking Neural Network for Motion Segmentation [7.491944503744111]
  textitSpikeMSは、モーションセグメンテーションの大規模な問題に対する最初のディープエンコーダデコーダSNNアーキテクチャである。 textitSpikeMSは,テキストインクリメンタルな予測や,より少ない量のテストデータからの予測を行うことができることを示す。
  論文  参考訳（メタデータ） (2021-05-13T21:34:55Z)
• Spiking Neural Networks with Single-Spike Temporal-Coded Neurons for Network Intrusion Detection [6.980076213134383]
  スパイキングニューラルネット(SNN)は、その強い生物楽観性と高いエネルギー効率のために興味深い。 しかし、その性能は従来のディープニューラルネットワーク(DNN)よりもはるかに遅れている。
  論文  参考訳（メタデータ） (2020-10-15T14:46:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。