論文の概要: SpikeMS: Deep Spiking Neural Network for Motion Segmentation
- arxiv url: http://arxiv.org/abs/2105.06562v1
- Date: Thu, 13 May 2021 21:34:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 01:18:46.383186
- Title: SpikeMS: Deep Spiking Neural Network for Motion Segmentation
- Title（参考訳）: SpikeMS:モーションセグメンテーションのためのディープスパイキングニューラルネットワーク
- Authors: Chethan M. Parameshwara, Simin Li, Cornelia Ferm\"uller, Nitin J.
Sanket, Matthew S. Evanusa, Yiannis Aloimonos
- Abstract要約: textitSpikeMSは、モーションセグメンテーションの大規模な問題に対する最初のディープエンコーダデコーダSNNアーキテクチャである。
textitSpikeMSは,テキストインクリメンタルな予測や,より少ない量のテストデータからの予測を行うことができることを示す。
- 参考スコア（独自算出の注目度）: 7.491944503744111
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spiking Neural Networks (SNN) are the so-called third generation of neural
networks which attempt to more closely match the functioning of the biological
brain. They inherently encode temporal data, allowing for training with less
energy usage and can be extremely energy efficient when coded on neuromorphic
hardware. In addition, they are well suited for tasks involving event-based
sensors, which match the event-based nature of the SNN. However, SNNs have not
been as effectively applied to real-world, large-scale tasks as standard
Artificial Neural Networks (ANNs) due to the algorithmic and training
complexity. To exacerbate the situation further, the input representation is
unconventional and requires careful analysis and deep understanding. In this
paper, we propose \textit{SpikeMS}, the first deep encoder-decoder SNN
architecture for the real-world large-scale problem of motion segmentation
using the event-based DVS camera as input. To accomplish this, we introduce a
novel spatio-temporal loss formulation that includes both spike counts and
classification labels in conjunction with the use of new techniques for SNN
backpropagation. In addition, we show that \textit{SpikeMS} is capable of
\textit{incremental predictions}, or predictions from smaller amounts of test
data than it is trained on. This is invaluable for providing outputs even with
partial input data for low-latency applications and those requiring fast
predictions. We evaluated \textit{SpikeMS} on challenging synthetic and
real-world sequences from EV-IMO, EED and MOD datasets and achieving results on
a par with a comparable ANN method, but using potentially 50 times less power.
- Abstract（参考訳）: spiking neural networks (snn) は、生物学的脳の機能により密接にマッチしようとする、いわゆる第3世代のニューラルネットワークである。
それらは本質的に時間データをエンコードし、エネルギー使用量が少なく、神経質なハードウェアでコーディングする場合、非常にエネルギー効率が良いトレーニングを可能にする。
さらに、SNNのイベントベースの性質と一致するイベントベースのセンサーを含むタスクにも適している。
しかしながら、SNNはアルゴリズムとトレーニングの複雑さのため、標準的なニューラルネットワーク(ANN)ほど、現実世界の大規模タスクには効果的には適用されていない。
さらに状況を悪化させるためには、入力表現は非従来的であり、慎重に分析と深い理解が必要である。
本稿では,イベントベースのdvsカメラを入力として,実世界のモーションセグメンテーションの大規模問題に対して,最初のディープエンコーダ-デコーダsnアーキテクチャである \textit{spikems} を提案する。
そこで本研究では,SNNバックプロパゲーションに新たな手法を用いることで,スパイク数と分類ラベルの両方を含む新しい時空間損失定式化を提案する。
さらに, \textit{SpikeMS} は, トレーニングデータよりも少ない量のテストデータからの予測や, \textit{incremental prediction} が可能であることを示す。
これは低遅延アプリケーションのための部分入力データや高速な予測を必要とするデータでも出力を提供するのに有用である。
我々は、EV-IMO、EED、MODのデータセットから合成および実世界の配列を抽出し、ANN法と同等の精度で結果を得るが、50倍の電力を使用する可能性があることを評価した。
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) - 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) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳（メタデータ） (2022-11-19T15:44:08Z) - Adaptive-SpikeNet: Event-based Optical Flow Estimation using Spiking
Neural Networks with Learnable Neuronal Dynamics [6.309365332210523]
ニューラルインスパイアされたイベント駆動処理でニューラルネットワーク(SNN)をスパイクすることで、非同期データを効率的に処理できる。
スパイク消滅問題を緩和するために,学習可能な神経力学を用いた適応型完全スパイキングフレームワークを提案する。
実験の結果,平均終端誤差(AEE)は最先端のANNと比較して平均13%減少した。
論文 参考訳（メタデータ） (2022-09-21T21:17:56Z) - Object Detection with Spiking Neural Networks on Automotive Event Data [0.0]
我々は、イベントカメラから直接スパイキングニューラルネットワーク(SNN)を訓練し、高速で効率的な自動車組込みアプリケーションを設計することを提案する。
本稿では,2つの自動車イベントデータセットの実験を行い,スパイクニューラルネットワークのための最先端の分類結果を確立した。
論文 参考訳（メタデータ） (2022-05-09T14:39:47Z) - 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) - Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for
Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。
イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。
本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-06T23:45:58Z) - Self-Supervised Learning of Event-Based Optical Flow with Spiking Neural
Networks [3.7384509727711923]
ニューロモルフィックコンピューティングの大きな課題は、従来の人工ニューラルネットワーク(ANN)の学習アルゴリズムがスパイクニューラルネットワーク(SNN)に直接転送されないことである。
本稿では,イベントベースカメラ入力からの光フロー推定における自己教師型学習問題に着目した。
提案するANNとSNNの性能は,自己教師型で訓練された現在の最先端のANNと同等であることを示す。
論文 参考訳（メタデータ） (2021-06-03T14:03:41Z) - 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) - 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) - 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)
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。