論文の概要: Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition
- arxiv url: http://arxiv.org/abs/2205.14315v1
- Date: Sat, 28 May 2022 03:11:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 16:56:38.998583
- Title: Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition
- Title(参考訳): 道路信号認識のためのスパイクニューラルネットワークによる効果的なフェデレーション学習
- Authors: Kan Xie, Zhe Zhang, Bo Li, Jiawen Kang, Dusit Niyato, Shengli Xie, Yi
Wu
- Abstract要約: 我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
- 参考スコア(独自算出の注目度): 70.306089187104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the gradual popularization of self-driving, it is becoming increasingly
important for vehicles to smartly make the right driving decisions and
autonomously obey traffic rules by correctly recognizing traffic signs.
However, for machine learning-based traffic sign recognition on the Internet of
Vehicles (IoV), a large amount of traffic sign data from distributed vehicles
is needed to be gathered in a centralized server for model training, which
brings serious privacy leakage risk because of traffic sign data containing
lots of location privacy information. To address this issue, we first exploit
privacy-preserving federated learning to perform collaborative training for
accurate recognition models without sharing raw traffic sign data.
Nevertheless, due to the limited computing and energy resources of most
devices, it is hard for vehicles to continuously undertake complex artificial
intelligence tasks. Therefore, we introduce powerful Spike Neural Networks
(SNNs) into traffic sign recognition for energy-efficient and fast model
training, which is the next generation of neural networks and is practical and
well-fitted to IoV scenarios. Furthermore, we design a novel encoding scheme
for SNNs based on neuron receptive fields to extract information from the pixel
and spatial dimensions of traffic signs to achieve high-accuracy training.
Numerical results indicate that the proposed federated SNN outperforms
traditional federated convolutional neural networks in terms of accuracy, noise
immunity, and energy efficiency as well.
- Abstract(参考訳): 自動運転車の普及が徐々に進み、車両が正しい運転判断を賢くし、交通標識を正しく認識して交通規則に従うことがますます重要になっている。
しかし、iot(internet of vehicle, iov)上での機械学習に基づくトラヒックサイン認識では、分散車両からの大量のトラヒックサインデータがモデルトレーニングのための集中型サーバに収集される必要があり、多くのロケーションプライバシ情報を含むトラヒックサインデータによって、重大なプライバシーリークリスクが発生する。
この問題に対処するため,我々はまず,プライバシー保護型フェデレート学習を活用し,生のトラヒックサインデータを共有せずに正確な認識モデルの協調学習を行う。
しかしながら、ほとんどの機器の限られたコンピューティングとエネルギー資源のため、車両が複雑な人工知能タスクを継続的に実行することは困難である。
そこで我々は,次世代ニューラルネットワークである次世代のニューラルネットワークであるエネルギー効率と高速モデルトレーニングのための交通標識認識に強力なスパイクニューラルネットワーク(SNN)を導入し,IoVシナリオに適用した。
さらに,ニューロン受容野に基づくsnsの新しい符号化方式を考案し,交通標識の画素および空間次元から情報を抽出し,高精度な学習を実現する。
数値計算の結果,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫,エネルギー効率に優れていた。
関連論文リスト
- Optimized Detection and Classification on GTRSB: Advancing Traffic Sign
Recognition with Convolutional Neural Networks [0.0]
本稿では,CNNの精度を96%近く向上する革新的な手法を提案する。
高度なローカライゼーション技術によってさらに精度が向上する可能性を強調している。
論文 参考訳(メタデータ) (2024-03-13T06:28:37Z) - Lens: A Foundation Model for Network Traffic in Cybersecurity [18.372089452482133]
Lensは、T5アーキテクチャを活用して、大規模な未ラベルデータから事前訓練された表現を学習するネットワークトラフィックの基礎モデルである。
Masked Span Prediction(MSP)、Packet Order Prediction(POP)、Homologous Traffic Prediction(HTP)の3つの異なるタスクを組み合わせた新しい損失を設計する。
論文 参考訳(メタデータ) (2024-02-06T02:45:13Z) - Autonomous Driving using Spiking Neural Networks on Dynamic Vision
Sensor Data: A Case Study of Traffic Light Change Detection [0.0]
スパイキングニューラルネットワーク(SNN)は、情報処理と意思決定のための代替モデルを提供する。
自動運転にSNNを用いた最近の研究は主に、簡易なシミュレーション環境における車線維持のような単純なタスクに焦点を当てている。
本研究は,実車上でSNNを使用するための重要なステップであるCARLAシミュレータにおける実写走行シーンについて,SNNについて検討する。
論文 参考訳(メタデータ) (2023-09-27T23:31:30Z) - Knowledge-Driven Multi-Agent Reinforcement Learning for Computation
Offloading in Cybertwin-Enabled Internet of Vehicles [24.29177900273616]
我々は,サイバトウィン対応IoVにおけるタスクオフロードの遅延を低減するために,知識駆動型マルチエージェント強化学習(KMARL)手法を提案する。
具体的には、検討されたシナリオにおいて、サイバートウィンは、各車両が情報を交換し、仮想空間におけるオフロード決定を行うための通信エージェントとして機能する。
論文 参考訳(メタデータ) (2023-08-04T09:11:37Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳(メタデータ) (2022-10-31T20:12:17Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - 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) - Transfer Learning with Graph Neural Networks for Short-Term Highway
Traffic Forecasting [1.7009370112134283]
Diffusion Convolutional Recurrent Neural Network (DCRNN)は、ハイウェイネットワーク予測のための最先端のグラフニューラルネットワークである。
高速ネットワークのデータ豊富な領域で訓練された1つのモデルを用いて、高速道路ネットワークの見えない領域のトラフィックを予測するDCRNNの新しいトランスファー学習手法を開発した。
TL-DCRNNはカリフォルニアのハイウェイネットワークのいくつかの領域から学習でき、ネットワークの見えない領域のトラフィックを高精度に予測できることを示す。
論文 参考訳(メタデータ) (2020-04-17T02:29:42Z) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳(メタデータ) (2020-01-24T22:58:55Z)
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。