論文の概要: An Adaptive Sampling and Edge Detection Approach for Encoding Static
Images for Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2110.10217v1
- Date: Tue, 19 Oct 2021 19:31:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 17:43:03.782886
- Title: An Adaptive Sampling and Edge Detection Approach for Encoding Static
Images for Spiking Neural Networks
- Title（参考訳）: スパイクニューラルネットワークの静的画像符号化のための適応サンプリングとエッジ検出手法
- Authors: Peyton Chandarana, Junlin Ou, Ramtin Zand
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、人工ニューラルネットワークの第3世代と考えられている。
本稿では,エッジ検出と適応信号サンプリング手法を用いて,静的画像を時間的スパイク列車に符号化する方法を提案する。
- 参考スコア（独自算出の注目度）: 0.2519906683279152
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current state-of-the-art methods of image classification using convolutional
neural networks are often constrained by both latency and power consumption.
This places a limit on the devices, particularly low-power edge devices, that
can employ these methods. Spiking neural networks (SNNs) are considered to be
the third generation of artificial neural networks which aim to address these
latency and power constraints by taking inspiration from biological neuronal
communication processes. Before data such as images can be input into an SNN,
however, they must be first encoded into spike trains. Herein, we propose a
method for encoding static images into temporal spike trains using edge
detection and an adaptive signal sampling method for use in SNNs. The edge
detection process consists of first performing Canny edge detection on the 2D
static images and then converting the edge detected images into two X and Y
signals using an image-to-signal conversion method. The adaptive signaling
approach consists of sampling the signals such that the signals maintain enough
detail and are sensitive to abrupt changes in the signal. Temporal encoding
mechanisms such as threshold-based representation (TBR) and step-forward (SF)
are then able to be used to convert the sampled signals into spike trains. We
use various error and indicator metrics to optimize and evaluate the efficiency
and precision of the proposed image encoding approach. Comparison results
between the original and reconstructed signals from spike trains generated
using edge-detection and adaptive temporal encoding mechanism exhibit 18x and
7x reduction in average root mean square error (RMSE) compared to the
conventional SF and TBR encoding, respectively, while used for encoding MNIST
dataset.
- Abstract（参考訳）: 畳み込みニューラルネットワークを用いた画像分類の現在の手法は、レイテンシと消費電力の両方によって制約されることが多い。
これはデバイス、特に低消費電力エッジデバイスに制限を課し、これらの方法を利用することができる。
スパイキングニューラルネットワーク(SNN)は、生物学的神経通信プロセスからインスピレーションを得て、これらのレイテンシと電力制約に対処することを目的とした、第3世代の人工ニューラルネットワークであると考えられている。
しかし、画像などのデータがSNNに入力される前には、まずスパイク列車にエンコードする必要がある。
本稿では,エッジ検出を用いた時空スパイク列車に静的画像を符号化する手法と,SNNにおける適応信号サンプリング手法を提案する。
エッジ検出プロセスは、まず2次元静止画像上でキャニーエッジ検出を行い、次に画像信号変換法を用いてエッジ検出画像を2つのx信号およびy信号に変換する。
アダプティブ・シグナリングのアプローチは、信号が十分に細部を保ち、信号の突然の変化に敏感になるような信号をサンプリングする。
しきい値に基づく表現(TBR)やステップフォワード(SF)のような時間符号化機構は、サンプル信号のスパイク列車への変換に利用できる。
本稿では,画像符号化手法の効率と精度を最適化し,評価するために,様々な誤差・指標指標を用いる。
エッジ検出と適応時間符号化機構を用いて生成されたスパイク列からの信号と再構成信号の比較結果は,従来のsfおよびtbr符号化に比べて平均根平均二乗誤差(rmse)が18倍,7倍減少した。
関連論文リスト
- Enhanced Wavelet Scattering Network for image inpainting detection [0.0]
本稿では,低レベル雑音解析に基づく塗装前駆体検出のための革新的なアイデアをいくつか提案する。
これはDual-Tree Complex Wavelet Transform (DT-CWT)と畳み込みニューラルネットワーク(CNN)を組み合わせて、偽エリア検出とローカライゼーションを実現している。
提案手法は最先端手法に対してベンチマークを行い,提案手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-09-25T15:27:05Z) - Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - In Search of a Data Transformation That Accelerates Neural Field Training [37.39915075581319]
画素位置の置換がSGDの収束速度にどのように影響するかに焦点をあてる。
対して、画素位置をランダムに変化させることで、トレーニングをかなり加速させることができる。
解析の結果、ランダムなピクセル置換は、初期最適化の妨げとなるが、信号の細部を捉えやすいパターンを取り除くことが示唆された。
論文 参考訳（メタデータ） (2023-11-28T06:17:49Z) - Integrate-and-fire circuit for converting analog signals to spikes using
phase encoding [4.485617023466674]
2つの戦略は、エンド・ツー・エンドのニューロモルフィック・アプリケーションにおいて、低エネルギー消費と高速な処理速度を達成することを約束している。
本稿では,連続的なアナログ信号を時間コードスパイクの列に符号化するための,漏洩集積・発火ニューロンモデルの屈折周期の適応制御を提案する。
デジタルニューロモルフィックチップは生成されたスパイク列車を処理し、フーリエ変換のスパイクバージョンを用いて信号の周波数スペクトルを計算した。
論文 参考訳（メタデータ） (2023-10-03T13:55:46Z) - Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。
動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文 参考訳（メタデータ） (2022-09-26T03:28:23Z) - Radar Image Reconstruction from Raw ADC Data using Parametric
Variational Autoencoder with Domain Adaptation [0.0]
本研究では,パラメータ制約付き変分オートエンコーダを提案し,レンジ角画像上でクラスタ化および局所化されたターゲット検出を生成する。
実際のレーダデータを用いて可能なすべてのシナリオにおいて,提案するニューラルネットワークをトレーニングする問題を回避すべく,ドメイン適応戦略を提案する。
論文 参考訳（メタデータ） (2022-05-30T16:17:36Z) - One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and
Pixel-Level Imbalance Learning [5.370848116287344]
後処理なしで高品質なエッジ画像を生成することができる一段階ニューラルネットワークモデルを提案する。
提案モデルでは、トレーニング済みのニューラルモデルをエンコーダとして使用する古典的なエンコーダデコーダフレームワークを採用している。
本稿では,エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。
論文 参考訳（メタデータ） (2022-03-17T15:26:00Z) - Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
入射神経表現は、一般的な信号を表す新しい道である。
現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。
メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
論文 参考訳（メタデータ） (2021-10-27T18:02:53Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳（メタデータ） (2021-03-01T19:19:38Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳（メタデータ） (2021-03-01T08:25:26Z)
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。