Fugu-MT 論文翻訳(概要): A Spike Learning System for Event-driven Object Recognition

論文の概要: A Spike Learning System for Event-driven Object Recognition

arxiv url: http://arxiv.org/abs/2101.08850v1
Date: Thu, 21 Jan 2021 20:57:53 GMT
ステータス: 処理完了
システム内更新日: 2021-03-21 08:06:09.349126
Title: A Spike Learning System for Event-driven Object Recognition
Title（参考訳）: イベント駆動型物体認識のためのスパイク学習システム
Authors: Shibo Zhou, Wei Wang, Xiaohua Li, Zhanpeng Jin
Abstract要約: LiDARやダイナミックビジョンセンサー(DVS)などのイベント駆動センサは、高解像度および高速アプリケーションで注目を集めています。本稿では,スパイキングニューラルネットワーク(SNN)を用いたスパイキング学習システムを提案する。
参考スコア（独自算出の注目度）: 8.875351982997554
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Event-driven sensors such as LiDAR and dynamic vision sensor (DVS) have found increased attention in high-resolution and high-speed applications. A lot of work has been conducted to enhance recognition accuracy. However, the essential topic of recognition delay or time efficiency is largely under-explored. In this paper, we present a spiking learning system that uses the spiking neural network (SNN) with a novel temporal coding for accurate and fast object recognition. The proposed temporal coding scheme maps each event's arrival time and data into SNN spike time so that asynchronously-arrived events are processed immediately without delay. The scheme is integrated nicely with the SNN's asynchronous processing capability to enhance time efficiency. A key advantage over existing systems is that the event accumulation time for each recognition task is determined automatically by the system rather than pre-set by the user. The system can finish recognition early without waiting for all the input events. Extensive experiments were conducted over a list of 7 LiDAR and DVS datasets. The results demonstrated that the proposed system had state-of-the-art recognition accuracy while achieving remarkable time efficiency. Recognition delay was shown to reduce by 56.3% to 91.7% in various experiment settings over the popular KITTI dataset.
Abstract（参考訳）: LiDARやダイナミックビジョンセンサー(DVS)のようなイベント駆動型センサーは、高分解能および高速な応用において注目を集めている。認識精度を高めるために多くの研究がなされている。しかし、認識遅延や時間効率に関する本質的な話題はほとんど未定である。本稿では,スパイキングニューラルネットワーク(SNN)を用いたスパイキング学習システムを提案する。提案方式では,各イベントの到着時刻とデータをSNNスパイク時間にマッピングし,非同期に送信されたイベントを遅延なく即時に処理する。このスキームはSNNの非同期処理機能とうまく統合され、時間効率が向上する。既存のシステムに対する大きな利点は、各認識タスクのイベント蓄積時間が、ユーザの事前設定ではなく、システムによって自動的に決定される点である。システムは全ての入力イベントを待つことなく、早期に認識を終了することができる。 7つのLiDARとDVSデータセットのリストで大規模な実験が行われた。その結果,提案システムは最先端の認識精度を有し,時間効率は優れていた。一般的なKITTIデータセットの様々な実験環境では、認識遅延が56.3%減少して91.7%となった。