Fugu-MT 論文翻訳(概要): A Fully Spiking Hybrid Neural Network for Energy-Efficient Object Detection

論文の概要: A Fully Spiking Hybrid Neural Network for Energy-Efficient Object Detection

arxiv url: http://arxiv.org/abs/2104.10719v1
Date: Wed, 21 Apr 2021 18:39:32 GMT
ステータス: 処理完了
システム内更新日: 2021-04-24 02:16:41.281286
Title: A Fully Spiking Hybrid Neural Network for Energy-Efficient Object Detection
Title（参考訳）: エネルギー効率の良い物体検出のための完全スパイクハイブリッドニューラルネットワーク
Authors: Biswadeep Chakraborty, Xueyuan She, Saibal Mukhopadhyay
Abstract要約: エネルギー効率とロバストな物体検出のための完全スパイクハイブリッドニューラルネットワーク(fshnn) ネットワークアーキテクチャは、漏洩統合型ニューロンモデルを用いた畳み込みSNNに基づいている。
参考スコア（独自算出の注目度）: 6.792495874038191
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes a Fully Spiking Hybrid Neural Network (FSHNN) for energy-efficient and robust object detection in resource-constrained platforms. The network architecture is based on Convolutional SNN using leaky-integrate-fire neuron models. The model combines unsupervised Spike Time-Dependent Plasticity (STDP) learning with back-propagation (STBP) learning methods and also uses Monte Carlo Dropout to get an estimate of the uncertainty error. FSHNN provides better accuracy compared to DNN based object detectors while being 150X energy-efficient. It also outperforms these object detectors, when subjected to noisy input data and less labeled training data with a lower uncertainty error.
Abstract（参考訳）: 本稿では,資源制約型プラットフォームにおけるエネルギー効率とロバストな物体検出のためのフルスパイキングハイブリッドニューラルネットワーク(FSHNN)を提案する。ネットワークアーキテクチャは、漏洩積分ファイアニューロンモデルを用いた畳み込みsnに基づいている。このモデルは教師なしスパイク時間依存可塑性(stdp)学習とバックプロパゲーション(stbp)学習法を組み合わせたモデルであり、モンテカルロドロップアウトを用いて不確実性誤差の推定を行う。 FSHNNは150倍のエネルギー効率でDNNベースの物体検出器よりも精度が高い。また、ノイズのある入力データや、不確実性エラーの少ないラベル付きトレーニングデータに対して、これらのオブジェクト検出器を上回っている。

関連論文リスト

Low Latency of object detection for spikng neural network [3.404826786562694]
スパイキングニューラルネットワークは、バイナリスパイクの性質のため、エッジAIアプリケーションに適している。本稿では,オブジェクト検出に特化して,高精度で低遅延なSNNを生成することに焦点を当てる。
論文参考訳（メタデータ） (2023-09-27T10:26:19Z)
Enabling energy-Efficient object detection with surrogate gradient descent in spiking neural networks [0.40054215937601956]
スパイキングニューラルネットワーク(英: Spiking Neural Networks、SNN)は、イベント駆動処理と処理時情報の両方において、生物学的にもっとも有効なニューラルネットワークモデルである。本研究では,オブジェクト検出タスクにおける深部SNNのトレーニングを容易にするために,回帰問題を解くCurrent Mean Decoding(CMD)手法を提案する。勾配サロゲートとCMDに基づいて,物体検出のためのSNN-YOLOv3モデルを提案する。
論文参考訳（メタデータ） (2023-09-07T15:48:00Z)
An Automata-Theoretic Approach to Synthesizing Binarized Neural Networks [13.271286153792058]
量子ニューラルネットワーク(QNN)が開発され、二項化ニューラルネットワーク(BNN)は特殊なケースとしてバイナリ値に制限されている。本稿では,指定された特性を満たすBNNの自動合成手法を提案する。
論文参考訳（メタデータ） (2023-07-29T06:27:28Z)
Automotive Object Detection via Learning Sparse Events by Spiking Neurons [20.930277906912394]
スパイキングニューラルネットワーク(SNN)は、本質的にイベントベースのデータと整合した時間的表現を提供する。自動車のイベントベース物体検出に最適化された特化スパイキング特徴ピラミッドネットワーク(SpikeFPN)を提案する。
論文参考訳（メタデータ） (2023-07-24T15:47:21Z)
Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network [0.0]
エッジノードは、Internet-of-Thingsエンドポイント上の複数のサイバー攻撃を検出するために不可欠である。 DLM技術を用いてエッジノードに対するDoS攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発した。
論文参考訳（メタデータ） (2021-02-03T04:24:34Z)
GraN: An Efficient Gradient-Norm Based Detector for Adversarial and Misclassified Examples [77.99182201815763]
ディープニューラルネットワーク(DNN)は、敵対的な例やその他のデータ摂動に対して脆弱である。 GraNは、どのDNNにも容易に適応できる時間およびパラメータ効率の手法である。 GraNは多くの問題セットで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2020-04-20T10:09:27Z)
Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文参考訳（メタデータ） (2020-04-15T06:13:33Z)
Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文参考訳（メタデータ） (2020-03-26T11:13:07Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。