論文の概要: PLSM: A Parallelized Liquid State Machine for Unintentional Action Detection

• arxiv url: http://arxiv.org/abs/2105.09909v1
• Date: Thu, 6 May 2021 08:10:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 19:17:49.660696
• Title: PLSM: A Parallelized Liquid State Machine for Unintentional Action Detection
• Title（参考訳）: PLSM:意図しない動作検出のための並列液体状態マシン
• Authors: Dipayan Das, Saumik Bhattacharya, Umapada Pal, and Sukalpa Chanda
• Abstract要約: Reservoir Computing(RC)は、ローエンドの組み込みシステムプラットフォーム上でAIアルゴリズムに実行可能な選択肢を提供する。 LSM(Liquid State Machine)は、ハードウェア上で直接実現可能な、皮質ニューロモルフィックスパイキングニューラルネットワーク(SNN)を模倣したバイオインスパイアされたRCモデルである。
• 参考スコア（独自算出の注目度）: 14.873546762084063
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reservoir Computing (RC) offers a viable option to deploy AI algorithms on low-end embedded system platforms. Liquid State Machine (LSM) is a bio-inspired RC model that mimics the cortical microcircuits and uses spiking neural networks (SNN) that can be directly realized on neuromorphic hardware. In this paper, we present a novel Parallelized LSM (PLSM) architecture that incorporates spatio-temporal read-out layer and semantic constraints on model output. To the best of our knowledge, such a formulation has been done for the first time in literature, and it offers a computationally lighter alternative to traditional deep-learning models. Additionally, we also present a comprehensive algorithm for the implementation of parallelizable SNNs and LSMs that are GPU-compatible. We implement the PLSM model to classify unintentional/accidental video clips, using the Oops dataset. From the experimental results on detecting unintentional action in video, it can be observed that our proposed model outperforms a self-supervised model and a fully supervised traditional deep learning model. All the implemented codes can be found at our repository https://github.com/anonymoussentience2020/Parallelized_LSM_for_Unintentional_Action_Recognition.
• Abstract（参考訳）: Reservoir Computing(RC)は、ローエンドの組み込みシステムプラットフォームにAIアルゴリズムをデプロイする実行可能なオプションを提供する。 LSM(Liquid State Machine)は、大脳皮質のマイクロサーキットを模倣し、ニューロモルフィックハードウェアで直接実現可能なスパイキングニューラルネットワーク(SNN)を使用するバイオインスパイアされたRCモデルである。 本稿では,時空間の読み出し層とモデル出力のセマンティック制約を組み込んだ並列化LSM(PLSM)アーキテクチャを提案する。 我々の知る限りでは、そのような定式化は文学において初めて行われており、従来のディープラーニングモデルに代えて計算的に軽量である。 また、GPU互換の並列化可能なSNNとLSMの実装のための包括的アルゴリズムを提案する。 我々は,oopsデータセットを用いて意図しないビデオクリップを分類するplsmモデルを実装した。 ビデオ中の意図しない動作を検出する実験結果から,提案モデルが,自己教師付きモデルと従来のディープラーニングモデルに匹敵することがわかった。 実装済みのコードは、私たちのリポジトリ https://github.com/anonymoussentience 2020/Parallelized_LSM_for_Unintentional_Action_Recognitionで見ることができる。

関連論文リスト

• Modulating Reservoir Dynamics via Reinforcement Learning for Efficient Robot Skill Synthesis [0.0]
  貯水池と呼ばれるランダムなリカレントニューラルネットワークは、コンテキスト入力で条件付けられたロボットの動きを学習するために使用することができる。 本稿では,新しいRCベースのLearning from Demonstration(LfD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-17T07:25:54Z)
• From system models to class models: An in-context learning paradigm [0.0]
  本稿では,1段階の予測と複数段階のシミュレーションという2つの主要な課題に対処する,システム識別のための新しいパラダイムを提案する。 動的システムのクラスを表すメタモデルを学ぶ。 一段階の予測では、GPTのようなデコーダのみのアーキテクチャを使用し、シミュレーション問題ではエンコーダ-デコーダ構造を用いる。
  論文  参考訳（メタデータ） (2023-08-25T13:50:17Z)
• Sparse Modular Activation for Efficient Sequence Modeling [94.11125833685583]
  線形状態空間モデルと自己アテンション機構を組み合わせた最近のモデルでは、様々なシーケンスモデリングタスクにおいて顕著な結果が示されている。 現在のアプローチでは、アテンションモジュールを静的かつ均一に入力シーケンスのすべての要素に適用し、最適以下の品質効率のトレードオフをもたらす。 SMA(Sparse Modular Activation)は,ニューラルネットワークが配列要素のサブモジュールを異なる方法でスパースに活性化する機構である。
  論文  参考訳（メタデータ） (2023-06-19T23:10:02Z)
• IR-MCL: Implicit Representation-Based Online Global Localization [31.77645160411745]
  本稿では,室内環境におけるロボットの姿勢を2次元LiDARデータを用いて推定する問題に対処する。 ニューラルネットワークを用いてシーンを暗黙的に表現するためのニューラルネットワーク占有場(NOF)を提案する。 本研究では,最先端手法のローカライズ性能を超越したアプローチを用いて,ロボットを高精度かつ効率的にローカライズできることを示す。
  論文  参考訳（メタデータ） (2022-10-06T17:59:08Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• A unified software/hardware scalable architecture for brain-inspired computing based on self-organizing neural models [6.072718806755325]
  我々は、Reentrant SOM(ReSOM)モデルにおいて、自己組織化マップ(SOM)とHebbian学習を関連付ける脳誘発ニューラルモデルを開発した。 この研究は、FPGAベースの専用プラットフォーム上でのシミュレーション結果とハードウェア実行の両方を通じて、モデルの分散性とスケーラブル性を実証する。
  論文  参考訳（メタデータ） (2022-01-06T22:02:19Z)
• Recurrent neural network-based Internal Model Control of unknown nonlinear stable systems [0.30458514384586394]
  Gated Recurrent Neural Networks (RNN)は、動的システムを学ぶための人気のあるツールとなっている。 本稿では、内部モデル制御(IMC)アーキテクチャの合成にこれらのネットワークをどのように適用できるかについて議論する。
  論文  参考訳（メタデータ） (2021-08-10T11:02:25Z)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。