論文の概要: Neural Network for Low-Memory IoT Devices and MNIST Image Recognition Using Kernels Based on Logistic Map

• arxiv url: http://arxiv.org/abs/2006.02824v2
• Date: Fri, 4 Sep 2020 03:42:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 10:00:26.943218
• Title: Neural Network for Low-Memory IoT Devices and MNIST Image Recognition Using Kernels Based on Logistic Map
• Title（参考訳）: ローメモリIoTデバイスのためのニューラルネットワークとロジスティックマップに基づくカーネルを用いたMNIST画像認識
• Authors: Andrei Velichko
• Abstract要約: 本研究ではロジスティックマッピング(LogNNet)に基づくフィルタを用いたニューラルネットワークを提案する。 LogNNetはフィードフォワードネットワーク構造を持っているが、貯水池ニューラルネットワークの特性を持っている。 提案したニューラルネットワークは、限られたメモリを持つ制限されたデバイスに基づく人工知能の実装に使用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents a neural network which uses filters based on logistic mapping (LogNNet). LogNNet has a feedforward network structure, but possesses the properties of reservoir neural networks. The input weight matrix, set by a recurrent logistic mapping, forms the kernels that transform the input space to the higher-dimensional feature space. The most effective recognition of a handwritten digit from MNIST-10 occurs under chaotic behavior of the logistic map. The correlation of classification accuracy with the value of the Lyapunov exponent was obtained. An advantage of LogNNet implementation on IoT devices is the significant savings in memory used. At the same time, LogNNet has a simple algorithm and performance indicators comparable to those of the best resource-efficient algorithms available at the moment. The presented network architecture uses an array of weights with a total memory size from 1 to 29 kB and achieves a classification accuracy of 80.3-96.3%. Memory is saved due to the processor, which sequentially calculates the required weight coefficients during the network operation using the analytical equation of the logistic mapping. The proposed neural network can be used in implementations of artificial intelligence based on constrained devices with limited memory, which are integral blocks for creating ambient intelligence in modern IoT environments. From a research perspective, LogNNet can contribute to the understanding of the fundamental issues of the influence of chaos on the behavior of reservoir-type neural networks.
• Abstract（参考訳）: 本研究では,ロジスティックマッピング(lognnet)に基づくフィルタを用いたニューラルネットワークを提案する。 LogNNetはフィードフォワードネットワーク構造を持っているが、貯水池ニューラルネットワークの特性を持っている。 繰り返しロジスティック写像によって設定される入力重み行列は、入力空間を高次元の特徴空間に変換する核を形成する。 MNIST-10から手書きの数字を最も効果的に認識するのは、ロジスティックマップのカオスな振る舞いである。 分類精度とリアプノフ指数の値との相関が得られた。 IoTデバイス上でのLogNNet実装の利点は、使用するメモリの大幅な節約である。 同時にLogNNetは、現時点で利用可能な最高のリソース効率アルゴリズムに匹敵する、シンプルなアルゴリズムとパフォーマンス指標を持っている。 提案したネットワークアーキテクチャでは、メモリサイズが1から29kBの重みの配列を使用し、分類精度は80.3-96.3%である。 メモリはプロセッサによって保存され、ロジスティックマッピングの解析方程式を用いて、ネットワーク操作中に必要な重み係数を逐次計算する。 提案されたニューラルネットワークは、現在のiot環境で環境インテリジェンスを作成するための不可欠なブロックである、メモリ制限のある制約付きデバイスに基づく人工知能の実装に使用できる。 研究の観点からは、LogNNetは貯水池型ニューラルネットワークの挙動に対するカオスの影響の根本的な問題を理解するのに寄与することができる。

関連論文リスト

• EvSegSNN: Neuromorphic Semantic Segmentation for Event Data [0.6138671548064356]
  EvSegSNN は、Parametric Leaky Integrate と Fire のニューロンに依存した、生物学的に検証可能なエンコーダ-デコーダU字型アーキテクチャである。 本稿では,スパイキングニューラルネットワークとイベントカメラを組み合わせることによって,エンド・ツー・エンドのバイオインスパイアされたセマンティックセマンティックセマンティクス手法を提案する。 DDD17で実施された実験は、EvSegSNNがMIoUの観点から最も近い最先端モデルを上回っていることを示している。
  論文  参考訳（メタデータ） (2024-06-20T10:36:24Z)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
  本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。 我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。 ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
  論文  参考訳（メタデータ） (2023-05-26T04:34:28Z)
• CondenseNeXt: An Ultra-Efficient Deep Neural Network for Embedded Systems [0.0]
  畳み込みニューラルネットワーク(英: Convolutional Neural Network, CNN)は、画像センサが捉えた視覚画像の分析に広く用いられているディープニューラルネットワーク(DNN)のクラスである。 本稿では,組込みシステム上でのリアルタイム推論のために,既存のCNNアーキテクチャの性能を改善するために,深層畳み込みニューラルネットワークアーキテクチャの新しい変種を提案する。
  論文  参考訳（メタデータ） (2021-12-01T18:20:52Z)
• Logsig-RNN: a novel network for robust and efficient skeleton-based action recognition [3.775860173040509]
  我々は、ログネイティブ層とリカレント型ニューラルネットワーク(RNN)を組み合わせた新しいモジュール、Logsig-RNNを提案する。 特に,簡単な経路変換層とLogsig-RNNを組み合わせることで,Chalearn2013ジェスチャデータの最先端精度を実現する。
  論文  参考訳（メタデータ） (2021-10-25T14:47:15Z)
• Quantized Neural Networks via {-1, +1} Encoding Decomposition and Acceleration [83.84684675841167]
  本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。 本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
  論文  参考訳（メタデータ） (2021-06-18T03:11:15Z)
• An improved LogNNet classifier for IoT application [0.0]
  本稿では、半線形ヘノン型離散カオスマップを用いてMNIST-10データセットを分類したフィードフォワードLogNNetニューラルネットワークを提案する。 エントロピーの値と分類の精度の間には直接的な関係があることが示されている。
  論文  参考訳（メタデータ） (2021-05-30T02:12:45Z)
• Recognition of handwritten MNIST digits on low-memory 2 Kb RAM Arduino board using LogNNet reservoir neural network [0.0]
  LogNNet貯留層ニューラルネットワーク上に作成されたMNISTデータベースの手書き桁を認識するための提示されたアルゴリズムは、82%の認識精度に達する。 アルゴリズムの単純な構造は、適切なトレーニングとともに、医学における有害事象の早期診断のためのモバイルバイオセンサーの作成など、幅広い応用に適応することができる。
  論文  参考訳（メタデータ） (2021-04-20T18:16:23Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)
• Optimizing Memory Placement using Evolutionary Graph Reinforcement Learning [56.83172249278467]
  大規模検索空間を対象とした進化グラフ強化学習(EGRL)を提案する。 我々は、推論のために、Intel NNP-Iチップ上で、我々のアプローチを直接訓練し、検証する。 また,NNP-Iコンパイラと比較して28～78%の高速化を実現している。
  論文  参考訳（メタデータ） (2020-07-14T18:50:12Z)

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。