Fugu-MT 論文翻訳(概要): Sub-mW Keyword Spotting on an MCU: Analog Binary Feature Extraction and Binary Neural Networks

論文の概要: Sub-mW Keyword Spotting on an MCU: Analog Binary Feature Extraction and Binary Neural Networks

arxiv url: http://arxiv.org/abs/2201.03386v1
Date: Mon, 10 Jan 2022 15:10:58 GMT
ステータス: 処理完了
システム内更新日: 2022-01-12 14:38:28.749517
Title: Sub-mW Keyword Spotting on an MCU: Analog Binary Feature Extraction and Binary Neural Networks
Title（参考訳）: MCU上のサブmWキーワードスポッティング:アナログ二項特徴抽出と二項ニューラルネットワーク
Authors: Gianmarco Cerutti, Lukas Cavigelli, Renzo Andri, Michele Magno, Elisabetta Farella, Luca Benini
Abstract要約: キーワードスポッティング(KWS)は、我々の周辺にある多くのユビキタススマートデバイスとのインタラクションを可能にする重要な機能である。本研究は、低コストマイクロコントローラユニット(MCU)におけるKWSエネルギー効率に対処する。デジタル前処理をアナログフロントエンドに置き換えることで、データ取得と前処理に必要なエネルギーを29倍に削減できることを示す。
参考スコア（独自算出の注目度）: 19.40893986868577
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Keyword spotting (KWS) is a crucial function enabling the interaction with the many ubiquitous smart devices in our surroundings, either activating them through wake-word or directly as a human-computer interface. For many applications, KWS is the entry point for our interactions with the device and, thus, an always-on workload. Many smart devices are mobile and their battery lifetime is heavily impacted by continuously running services. KWS and similar always-on services are thus the focus when optimizing the overall power consumption. This work addresses KWS energy-efficiency on low-cost microcontroller units (MCUs). We combine analog binary feature extraction with binary neural networks. By replacing the digital preprocessing with the proposed analog front-end, we show that the energy required for data acquisition and preprocessing can be reduced by 29x, cutting its share from a dominating 85% to a mere 16% of the overall energy consumption for our reference KWS application. Experimental evaluations on the Speech Commands Dataset show that the proposed system outperforms state-of-the-art accuracy and energy efficiency, respectively, by 1% and 4.3x on a 10-class dataset while providing a compelling accuracy-energy trade-off including a 2% accuracy drop for a 71x energy reduction.
Abstract（参考訳）: キーワードスポッティング(KWS)は、私たちの周辺にある多くのユビキタススマートデバイスとのインタラクションを可能にする重要な機能である。多くのアプリケーションにとって、KWSはデバイスとのインタラクションのエントリポイントであり、常にオンのワークロードになります。多くのスマートデバイスはモバイルであり、バッテリー寿命は継続的に動作するサービスによって大きく影響を受ける。 kwsと類似の常時接続サービスは、全体的な電力消費の最適化に重点を置いている。この研究は、低コストマイクロコントローラユニット(MCU)のKWSエネルギー効率に対処する。アナログ二項特徴抽出と二項ニューラルネットワークを組み合わせる。デジタル前処理をアナログフロントエンドに置き換えることで、データ取得と前処理に必要なエネルギーを29倍に削減でき、参照KWSアプリケーション全体のエネルギー消費量の85%から16%に削減できることを示す。音声コマンドデータセットの実験的評価により,提案方式は10級データセットで1%,4.3倍の精度とエネルギー効率をそれぞれ上回り,71倍のエネルギー削減に対して2%の精度低下を含む説得力のある精度とエネルギーのトレードオフが得られた。

関連論文リスト

CARE Transformer: Mobile-Friendly Linear Visual Transformer via Decoupled Dual Interaction [77.8576094863446]
本稿では,新しいdetextbfCoupled dutextbfAl-interactive lineatextbfR atttextbfEntion (CARE) 機構を提案する。まず,非対称な特徴分離戦略を提案し,非対称的に学習プロセスを局所帰納バイアスと長距離依存に分解する。分離学習方式を採用し,特徴間の相補性を完全に活用することにより,高い効率性と精度を両立させることができる。
論文参考訳（メタデータ） (2024-11-25T07:56:13Z)
Self-Learning for Personalized Keyword Spotting on Ultra-Low-Power Audio Sensors [27.684160259995174]
本稿では,超低消費電力スマートオーディオセンサへの展開後,個人化キーワードスポッティング(KWS)モデルを段階的に学習する自己学習フレームワークを提案する。類似度スコアに基づいて,新たに録音した音声フレームに擬似ラベルを割り当てることにより,ラベル付きトレーニングデータがないという根本的な問題に対処する。私たちの経験的結果は、極端に自己適応型のKWSセンサを配置する方法を舗装しています。
論文参考訳（メタデータ） (2024-08-22T15:17:02Z)
Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文参考訳（メタデータ） (2023-08-22T03:13:57Z)
BiFSMNv2: Pushing Binary Neural Networks for Keyword Spotting to Real-Network Performance [54.214426436283134]
Deep-FSMNのようなディープニューラルネットワークはキーワードスポッティング(KWS)アプリケーションのために広く研究されている。我々は、KWS、すなわちBiFSMNv2のための強力で効率的なバイナリニューラルネットワークを提示し、それを実ネットワーク精度のパフォーマンスにプッシュする。小型アーキテクチャと最適化されたハードウェアカーネルの利点により、BiFSMNv2は25.1倍のスピードアップと20.2倍のストレージ節約を実現できる。
論文参考訳（メタデータ） (2022-11-13T18:31:45Z)
BiFSMN: Binary Neural Network for Keyword Spotting [47.46397208920726]
BiFSMNは、KWSのための正確かつ極効率のバイナリニューラルネットワークである。実世界のエッジハードウェアにおいて,BiFSMNは22.3倍の高速化と15.5倍のストレージ節約を実現可能であることを示す。
論文参考訳（メタデータ） (2022-02-14T05:16:53Z)
Ultra-Low Power Keyword Spotting at the Edge [0.0]
キーワードスポッティング(KWS)は、私たちを取り巻く多くのインテリジェントデバイスの中で、不可欠である。そこで本研究では,MAX78000における配置におけるエンド・ツー・エンドのエネルギー効率を考慮した最適化KWS CNNモデルを設計する。ハードウェアとモデル最適化の組み合わせにより、12クラスの96.3%の精度を実現し、推論あたり251 uJしか消費しない。
論文参考訳（メタデータ） (2021-11-09T08:24:36Z)
Broadcasted Residual Learning for Efficient Keyword Spotting [7.335747584353902]
モデルサイズと計算負荷を小さくして高精度な放送残差学習手法を提案する。また,放送残差学習に基づく新しいネットワークアーキテクチャ,BC-Residual Network(BC-ResNet)を提案する。 BC-ResNetsは、Googleの音声コマンドデータセット v1 と v2 で、最先端の98.0% と98.7% のトップ-1 の精度をそれぞれ達成している。
論文参考訳（メタデータ） (2021-06-08T06:55:39Z)
FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文参考訳（メタデータ） (2021-03-08T03:09:37Z)
Hardware Aware Training for Efficient Keyword Spotting on General Purpose and Specialized Hardware [6.557082555839738]
キーワードスポッティング(KWS)は、携帯電話、ウェアラブル、自動車など、多くのモバイルおよびエッジアプリケーションにとって重要なユーザインターフェースを提供する。我々はハードウェアアウェアネストレーニング(HAT)を用いて、最先端(SotA)の精度と低いパラメータ数を達成するLMU(Legendre Memory Unit)に基づく新しいKWSニューラルネットワークを構築する。また、SotA電力効率8.79$Wを実現し、汎用低消費電力ハードウェア(マイクロコントローラ)を24倍、特別目的ASICを16倍に高めるカスタム設計のアクセラレータハードウェアの電力要求を特徴付ける。
論文参考訳（メタデータ） (2020-09-09T17:06:28Z)
Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。