論文の概要: An Efficient Spiking Neural Network for Recognizing Gestures with a DVS
Camera on the Loihi Neuromorphic Processor
- arxiv url: http://arxiv.org/abs/2006.09985v2
- Date: Mon, 25 Jan 2021 10:39:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 12:40:54.672068
- Title: An Efficient Spiking Neural Network for Recognizing Gestures with a DVS
Camera on the Loihi Neuromorphic Processor
- Title（参考訳）: Loihiニューロモルフィックプロセッサ上のDVSカメラを用いたジェスチャ認識のための効率的なスパイクニューラルネットワーク
- Authors: Riccardo Massa, Alberto Marchisio, Maurizio Martina, Muhammad Shafique
- Abstract要約: Spiking Neural Networks(SNN)は、機械学習ベースのアプリケーションにおいて注目を浴びている。
本稿では,対応するディープニューラルネットワーク(DNN)とほぼ同じ精度のSNNの設計手法を示す。
我々のSNNは89.64%の分類精度を達成し、37のLoihiコアしか占有していない。
- 参考スコア（独自算出の注目度）: 12.118084418840152
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spiking Neural Networks (SNNs), the third generation NNs, have come under the
spotlight for machine learning based applications due to their biological
plausibility and reduced complexity compared to traditional artificial Deep
Neural Networks (DNNs). These SNNs can be implemented with extreme energy
efficiency on neuromorphic processors like the Intel Loihi research chip, and
fed by event-based sensors, such as DVS cameras. However, DNNs with many layers
can achieve relatively high accuracy on image classification and recognition
tasks, as the research on learning rules for SNNs for real-world applications
is still not mature. The accuracy results for SNNs are typically obtained
either by converting the trained DNNs into SNNs, or by directly designing and
training SNNs in the spiking domain. Towards the conversion from a DNN to an
SNN, we perform a comprehensive analysis of such process, specifically designed
for Intel Loihi, showing our methodology for the design of an SNN that achieves
nearly the same accuracy results as its corresponding DNN. Towards the usage of
the event-based sensors, we design a pre-processing method, evaluated for the
DvsGesture dataset, which makes it possible to be used in the DNN domain.
Hence, based on the outcome of the first analysis, we train a DNN for the
pre-processed DvsGesture dataset, and convert it into the spike domain for its
deployment on Intel Loihi, which enables real-time gesture recognition. The
results show that our SNN achieves 89.64% classification accuracy and occupies
only 37 Loihi cores. The source code for generating our experiments is
available online at https://github.com/albertomarchisio/EfficientSNN.
- Abstract（参考訳）: 第3世代のnnであるspyking neural networks(snns)は、生物学的な可能性と従来の人工深層ニューラルネットワーク(dnns)と比較して複雑さが低いため、機械学習ベースのアプリケーションで注目を浴びている。
これらのSNNは、Intel Loihi研究チップのようなニューロモルフィックプロセッサ上で極端なエネルギー効率で実装でき、DVSカメラのようなイベントベースのセンサーによって供給される。
しかし,多くのレイヤを持つDNNは,実世界のアプリケーションにおけるSNNの学習ルールの研究がまだ成熟していないため,画像分類や認識タスクにおいて比較的高い精度が得られる。
SNNの精度は、訓練されたDNNをSNNに変換するか、またはスパイク領域でSNNを直接設計し、訓練することによって得られる。
DNNからSNNへの変換に向けて、Intel Loihi用に特別に設計されたプロセスの包括的な解析を行い、対応するDNNとほぼ同じ精度のSNNの設計手法を示す。
イベントベースセンサの利用に向けて,DvsGestureデータセットで評価された事前処理手法を設計し,DNNドメインで使用可能にする。
したがって、最初の分析結果に基づいて、事前処理されたDvsGestureデータセットに対してDNNをトレーニングし、リアルタイムジェスチャー認識を可能にするIntel Loihiへのデプロイのためにスパイクドメインに変換する。
その結果,SNNの分類精度は89.64%で,Loihiコアは37個しかないことがわかった。
実験を生成するソースコードはhttps://github.com/albertomarchisio/EfficientSNN.comで公開されている。
関連論文リスト
- NAS-BNN: Neural Architecture Search for Binary Neural Networks [55.058512316210056]
我々は、NAS-BNNと呼ばれる二元ニューラルネットワークのための新しいニューラルネットワーク探索手法を提案する。
我々の発見したバイナリモデルファミリーは、20Mから2Mまでの幅広い操作(OP)において、以前のBNNよりも優れていた。
さらに,対象検出タスクにおける探索されたBNNの転送可能性を検証するとともに,探索されたBNNを用いたバイナリ検出器は,MSデータセット上で31.6% mAP,370万 OPsなどの新たな最先端結果を得る。
論文 参考訳（メタデータ） (2024-08-28T02:17:58Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - 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) - Toward Robust Spiking Neural Network Against Adversarial Perturbation [22.56553160359798]
スパイキングニューラルネットワーク(SNN)は、現実の効率クリティカルなアプリケーションにますます多くデプロイされている。
研究者はすでに、SNNを敵の例で攻撃できることを実証している。
我々の知る限りでは、これはSNNの堅牢なトレーニングに関する最初の分析である。
論文 参考訳（メタデータ） (2022-04-12T21:26:49Z) - Rethinking Pretraining as a Bridge from ANNs to SNNs [13.984523794353477]
スパイキングニューラルネットワーク(SNN)は、特有の特徴を持つ脳にインスパイアされた典型的なモデルとして知られている。
高い精度のモデルを得る方法は、常にSNNの分野における主要な課題である。
論文 参考訳（メタデータ） (2022-03-02T14:59:57Z) - Sub-bit Neural Networks: Learning to Compress and Accelerate Binary
Neural Networks [72.81092567651395]
Sub-bit Neural Networks (SNN) は、BNNの圧縮と高速化に適した新しいタイプのバイナリ量子化設計である。
SNNは、微細な畳み込みカーネル空間におけるバイナリ量子化を利用するカーネル対応最適化フレームワークで訓練されている。
ビジュアル認識ベンチマークの実験とFPGA上でのハードウェア展開は、SNNの大きな可能性を検証する。
論文 参考訳（メタデータ） (2021-10-18T11:30:29Z) - Beyond Classification: Directly Training Spiking Neural Networks for
Semantic Segmentation [5.800785186389827]
ニューラルネットワークの低消費電力代替としてスパイキングニューラルネットワーク(SNN)が登場している。
本稿では,ニューロンをスパイクしたセマンティックセグメンテーションネットワークの分類を超えて,SNNの応用について検討する。
論文 参考訳（メタデータ） (2021-10-14T21:53:03Z) - Spiking Neural Networks for Visual Place Recognition via Weighted
Neuronal Assignments [24.754429120321365]
スパイキングニューラルネットワーク(SNN)は、エネルギー効率と低レイテンシを含む、魅力的な潜在的な利点を提供する。
高性能SNNにとって有望な領域の1つは、テンプレートマッチングと画像認識である。
本研究では,視覚的位置認識(VPR)タスクのための最初の高性能SNNを紹介する。
論文 参考訳（メタデータ） (2021-09-14T05:40:40Z) - Strategy and Benchmark for Converting Deep Q-Networks to Event-Driven
Spiking Neural Networks [5.8010446129208155]
スパイキングニューラルネットワーク(SNN)は、専用のニューロモルフィックハードウェア上でのディープニューラルネットワーク(DNN)のエネルギー効率の高い実装に大きな可能性を秘めている。
近年の研究では、画像分類タスクにおいて、DNNと比較してSNNの競合性能が示された。
論文 参考訳（メタデータ） (2020-09-30T05:37:59Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-02T15:38:44Z) - Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。
DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。
コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文 参考訳（メタデータ） (2020-06-30T14:56:05Z)
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。