論文の概要: ST-MNIST -- The Spiking Tactile MNIST Neuromorphic Dataset

• arxiv url: http://arxiv.org/abs/2005.04319v1
• Date: Fri, 8 May 2020 23:44:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 11:40:15.004050
• Title: ST-MNIST -- The Spiking Tactile MNIST Neuromorphic Dataset
• Title（参考訳）: ST-MNIST -- スパイキング触覚MNISTニューロモルフィックデータセット
• Authors: Hian Hian See, Brian Lim, Si Li, Haicheng Yao, Wen Cheng, Harold Soh, and Benjamin C.K. Tee
• Abstract要約: 我々は,触覚型ニューロモルフィックセンサアレイに記述した人手による手書き桁を含む,新しいニューロモルフィック・スパイキング・タクティルMNISTデータセットを作成した。 また、既存の人工スパイクとニューラルネットワークモデルを用いて、ST-MNISTデータセットを評価するための最初の取り組みについても述べる。
• 参考スコア（独自算出の注目度）: 13.270250399169104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tactile sensing is an essential modality for smart robots as it enables them to interact flexibly with physical objects in their environment. Recent advancements in electronic skins have led to the development of data-driven machine learning methods that exploit this important sensory modality. However, current datasets used to train such algorithms are limited to standard synchronous tactile sensors. There is a dearth of neuromorphic event-based tactile datasets, principally due to the scarcity of large-scale event-based tactile sensors. Having such datasets is crucial for the development and evaluation of new algorithms that process spatio-temporal event-based data. For example, evaluating spiking neural networks on conventional frame-based datasets is considered sub-optimal. Here, we debut a novel neuromorphic Spiking Tactile MNIST (ST-MNIST) dataset, which comprises handwritten digits obtained by human participants writing on a neuromorphic tactile sensor array. We also describe an initial effort to evaluate our ST-MNIST dataset using existing artificial and spiking neural network models. The classification accuracies provided herein can serve as performance benchmarks for future work. We anticipate that our ST-MNIST dataset will be of interest and useful to the neuromorphic and robotics research communities.
• Abstract（参考訳）: 触覚は、環境中の物理的物体と柔軟に相互作用できるため、スマートロボットにとって不可欠なモダリティである。 近年の電子皮膚の進歩は、この重要な感覚様相を利用するデータ駆動機械学習手法の開発につながった。 しかし、これらのアルゴリズムを訓練するために使用される現在のデータセットは、標準の同期触覚センサーに限定されている。 大規模なイベントベースの触覚センサが不足しているため、ニューロモルフィックなイベントベースの触覚データセットが多数存在する。 このようなデータセットを持つことは、時空間イベントベースのデータを処理する新しいアルゴリズムの開発と評価に不可欠である。 例えば、従来のフレームベースのデータセット上でのスパイクニューラルネットワークの評価は、サブ最適と見なされる。 本稿では,脳型触覚センサアレイに人間が書き込んだ手書きの数字からなる,新しいニューロモルフィックspiking tactile mnist(st-mnist)データセットについて紹介する。 また,既存の人工およびスパイクニューラルネットワークモデルを用いてst-mnistデータセットを評価するための最初の取り組みについても述べる。 ここで提供される分類精度は、将来の作業のパフォーマンスベンチマークとして機能する。 我々はST-MNISTデータセットが神経形・ロボティクス研究コミュニティにとって興味深く有用なものになることを期待する。

関連論文リスト

• emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography [47.160223334501126]
  emg2qwertyは、QWERTYキーボードでタッチ入力しながら手首に記録された非侵襲的筋電図信号の大規模なデータセットである。 1,135のセッションが108ユーザと346時間の録画にまたがっており、これまでで最大の公開データセットである。 sEMG信号のみを用いたキープレッシャの予測において,高いベースライン性能を示す。
  論文  参考訳（メタデータ） (2024-10-26T05:18:48Z)
• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Data-Driven Fire Modeling: Learning First Arrival Times and Model Parameters with Neural Networks [12.416949154231714]
  火災科学における力学をパラメータ化するニューラルネットワークの能力について検討する。 特に,火災時の5つの重要なパラメータを最初の到着時刻までマッピングするニューラルネットワークについて検討する。 逆問題に対して、各キーパラメータを推定する際のネットワークの感度を定量化する。
  論文  参考訳（メタデータ） (2024-08-16T19:54:41Z)
• Deep Learning for real-time neural decoding of grasp [0.0]
  本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。 提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
  論文  参考訳（メタデータ） (2023-11-02T08:26:29Z)
• WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
  ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。 本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。 WaLiN-GUIはオープンソースとドキュメントが提供されている。
  論文  参考訳（メタデータ） (2023-10-25T20:34:08Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Object recognition for robotics from tactile time series data utilising different neural network architectures [0.0]
  本稿では,コンボリューショナルニューラルネットワーク(CNN)とLong-Short Term Memory(LSTM)ニューラルネットワークアーキテクチャを用いて,触覚データに基づくオブジェクト分類を行う。 我々は,2種類の指先センサ(BioTac SPとWTS-FT)のデータを用いて,これらの手法を比較した。 提案手法は,全時系列データを用いた最大精度を82.4% (BioTac SP fingertips) と90.7% (WTS-FT fingertips) から約94% に改善した。
  論文  参考訳（メタデータ） (2021-09-09T22:05:45Z)
• TactileSGNet: A Spiking Graph Neural Network for Event-based Tactile Object Recognition [17.37142241982902]
  フレキシブルでイベント駆動の電子スキンの新しい進歩は、すぐに人間に似たタッチ認識能力を持つロボットを養うかもしれない。 これらのユニークな特徴は、触覚学習には適さない畳み込み特徴抽出器のような、現在のディープラーニングアプローチをもたらす可能性がある。 イベントベース触覚物体認識のための新しいスパイキンググラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-01T03:35:15Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

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。