論文の概要: Object Detection with Spiking Neural Networks on Automotive Event Data
- arxiv url: http://arxiv.org/abs/2205.04339v1
- Date: Mon, 9 May 2022 14:39:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 16:22:22.156202
- Title: Object Detection with Spiking Neural Networks on Automotive Event Data
- Title（参考訳）: 自動車イベントデータを用いたスパイクニューラルネットワークによる物体検出
- Authors: Lo\"ic Cordone, Beno\^it Miramond, Philippe Thierion
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automotive embedded algorithms have very high constraints in terms of
latency, accuracy and power consumption. In this work, we propose to train
spiking neural networks (SNNs) directly on data coming from event cameras to
design fast and efficient automotive embedded applications. Indeed, SNNs are
more biologically realistic neural networks where neurons communicate using
discrete and asynchronous spikes, a naturally energy-efficient and hardware
friendly operating mode. Event data, which are binary and sparse in space and
time, are therefore the ideal input for spiking neural networks. But to date,
their performance was insufficient for automotive real-world problems, such as
detecting complex objects in an uncontrolled environment. To address this
issue, we took advantage of the latest advancements in matter of spike
backpropagation - surrogate gradient learning, parametric LIF, SpikingJelly
framework - and of our new \textit{voxel cube} event encoding to train 4
different SNNs based on popular deep learning networks: SqueezeNet, VGG,
MobileNet, and DenseNet. As a result, we managed to increase the size and the
complexity of SNNs usually considered in the literature. In this paper, we
conducted experiments on two automotive event datasets, establishing new
state-of-the-art classification results for spiking neural networks. Based on
these results, we combined our SNNs with SSD to propose the first spiking
neural networks capable of performing object detection on the complex GEN1
Automotive Detection event dataset.
- Abstract（参考訳）: 自動車組み込みアルゴリズムは、レイテンシ、精度、消費電力の面で非常に高い制約がある。
本研究では、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)をトレーニングし、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。
実際、SNNはより生物学的に現実的なニューラルネットワークであり、ニューロンは離散的で非同期なスパイクを使って通信する。
したがって、イベントデータはバイナリであり、空間と時間のスパースであり、スパイクニューラルネットワークの理想的な入力である。
しかし、これまでは、制御されていない環境で複雑な物体を検出するなど、自動車の現実的な問題に対して性能は不十分だった。
この問題に対処するために、私たちは、スパイクバックプロパゲーションに関する最新の進歩 - サーロゲートグラデーション学習、パラメトリックlif、spikingjellyフレームワーク - と、人気のディープラーニングネットワークであるswistynet、vgg、mobilenet、dungnetの4つの異なるsnsをトレーニングするための新しい \textit{voxel cube}イベントエンコーディングを利用した。
その結果,通常文献で考慮されるSNNのサイズと複雑さを増大させることができた。
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最先端分類結果を確立した。
これらの結果に基づき、snsとssdを組み合わせることで、複雑なgen1 automotive detection eventデータセット上でオブジェクト検出が可能な最初のスパイクニューラルネットワークを提案する。
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) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - 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) - 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) - SpikeMS: Deep Spiking Neural Network for Motion Segmentation [7.491944503744111]
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。
論文 参考訳（メタデータ） (2021-05-13T21:34:55Z) - Learning from Event Cameras with Sparse Spiking Convolutional Neural
Networks [0.0]
畳み込みニューラルネットワーク(CNN)は現在、コンピュータビジョン問題のデファクトソリューションとなっている。
イベントカメラとスピーキングニューラルネットワーク(SNN)を用いたエンドツーエンドの生物学的インスパイアされたアプローチを提案する。
この手法は、一般的なディープラーニングフレームワークPyTorchを使用して、イベントデータに直接スパーススパイクニューラルネットワークのトレーニングを可能にする。
論文 参考訳（メタデータ） (2021-04-26T13:52:01Z) - 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) - SiamSNN: Siamese Spiking Neural Networks for Energy-Efficient Object
Tracking [20.595208488431766]
SiamSNNは、視覚オブジェクト追跡ベンチマークであるTB2013, VOT2016, GOT-10kにおいて、短いレイテンシと低い精度の損失を達成する最初のディープSNNトラッカーである。
SiamSNNは、ニューロモルフィックチップTrueNorth上で低エネルギー消費とリアルタイムを実現する。
論文 参考訳（メタデータ） (2020-03-17T08:49:51Z)
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。