論文の概要: The Intel Neuromorphic DNS Challenge
- arxiv url: http://arxiv.org/abs/2303.09503v1
- Date: Thu, 16 Mar 2023 17:22:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 14:27:12.166662
- Title: The Intel Neuromorphic DNS Challenge
- Title（参考訳）: IntelのニューロモーフィックDNSチャレンジ
- Authors: Jonathan Timchek, Sumit Bam Shrestha, Daniel Ben Dayan Rubin, Adam
Kupryjanow, Garrick Orchard, Lukasz Pindor, Timothy Shea, and Mike Davies
- Abstract要約: Intelのニューロモルフィックディープノイズ抑制チャレンジ(Intel N-DNS Challenge)は、ユビキタスで商業的なタスクであるリアルタイムオーディオデノイングに取り組みます。
我々は、Intel N-DNS Challengeデータセットのスクリプトと評価コードを自由にアクセス可能にし、コミュニティが金銭的賞品に参加することを奨励し、ニューロモルフィックなベースラインソリューションをリリースする。
この課題の勝者たちは、オーディオのノイズ化、電力とリソースの大幅な増加といった問題に対して、ニューロモルフィックデバイス上で実現可能であることを実証するだろう。
- 参考スコア（独自算出の注目度）: 5.623880027627664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A critical enabler for progress in neuromorphic computing research is the
ability to transparently evaluate different neuromorphic solutions on important
tasks and to compare them to state-of-the-art conventional solutions. The Intel
Neuromorphic Deep Noise Suppression Challenge (Intel N-DNS Challenge), inspired
by the Microsoft DNS Challenge, tackles a ubiquitous and commercially relevant
task: real-time audio denoising. Audio denoising is likely to reap the benefits
of neuromorphic computing due to its low-bandwidth, temporal nature and its
relevance for low-power devices. The Intel N-DNS Challenge consists of two
tracks: a simulation-based algorithmic track to encourage algorithmic
innovation, and a neuromorphic hardware (Loihi 2) track to rigorously evaluate
solutions. For both tracks, we specify an evaluation methodology based on
energy, latency, and resource consumption in addition to output audio quality.
We make the Intel N-DNS Challenge dataset scripts and evaluation code freely
accessible, encourage community participation with monetary prizes, and release
a neuromorphic baseline solution which shows promising audio quality, high
power efficiency, and low resource consumption when compared to Microsoft
NsNet2 and a proprietary Intel denoising model used in production. We hope the
Intel N-DNS Challenge will hasten innovation in neuromorphic algorithms
research, especially in the area of training tools and methods for real-time
signal processing. We expect the winners of the challenge will demonstrate that
for problems like audio denoising, significant gains in power and resources can
be realized on neuromorphic devices available today compared to conventional
state-of-the-art solutions.
- Abstract（参考訳）: ニューロモルフィックコンピューティング研究の進歩のための重要なイネーブルは、重要なタスクにおいて異なるニューロモルフィックソリューションを透過的に評価し、それらを最先端の従来のソリューションと比較する能力である。
Microsoft DNS ChallengeにインスパイアされたIntel Neuromorphic Deep Noise Suppression Challenge (Intel N-DNS Challenge)は、ユビキタスで商業的なタスクであるリアルタイムオーディオデノイングに取り組む。
音声のノイズ除去は、低帯域幅、時間的性質、低消費電力デバイスとの関連性から、ニューロモルフィックコンピューティングの利点を享受する可能性が高い。
Intel N-DNS Challengeは、アルゴリズム革新を促進するシミュレーションベースのアルゴリズムトラックと、ソリューションを厳格に評価するニューロモルフィックハードウェア(Loihi 2)トラックの2つのトラックで構成されている。
両トラックについて,出力音声品質に加えて,エネルギー,レイテンシ,リソース消費に基づく評価手法を提案する。
我々は、Intel N-DNS Challengeデータセットのスクリプトと評価コードを自由にアクセス可能にし、コミュニティによる金銭的報酬への参加を奨励し、Microsoft NsNet2や製品で使用される独自のIntel Denoisingモデルと比較して、有望なオーディオ品質、高電力効率、低リソース消費を示すニューロモルフィックベースラインソリューションをリリースする。
Intel N-DNS Challengeがニューロモルフィックアルゴリズムの研究、特にリアルタイム信号処理のトレーニングツールや手法の分野でイノベーションを加速させることを期待している。
この課題の勝者たちは、従来の最先端のソリューションと比較して、現在利用可能なニューロモルフィックデバイスにおいて、オーディオのノイズ発生、電力とリソースの大幅な増加といった問題を実現することを期待している。
関連論文リスト
- Spiking Neural Network Decision Feedback Equalization [70.3497683558609]
決定フィードバック等化器(DFE)に似たフィードバック構造を持つSNNベースの等化器を提案する。
提案手法は,3種類の模範チャネルに対して,従来の線形等化器よりも明らかに優れていることを示す。
決定フィードバック構造を持つSNNは、競合エネルギー効率の良いトランシーバへのパスを可能にする。
論文 参考訳（メタデータ） (2022-11-09T09:19:15Z) - Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural
Networks on Edge NPUs [74.83613252825754]
スマートエコシステム(Smart ecosystems)は、センサがスタンドアローンではなく同時に発生するように形成されている。
これは、オンプレミスのパラダイムを、エッジに集中型ニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。
そこで本研究では,実行時にサンプルプリエンプションを適用可能な早期実行型スケジューリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-09-27T15:04:01Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - Event Based Time-Vectors for auditory features extraction: a
neuromorphic approach for low power audio recognition [4.206844212918807]
教師なしの聴覚特徴認識が可能なニューロモルフィックアーキテクチャを提案する。
次に、GoogleのSpeech Commandsデータセットのサブセットでネットワークを検証する。
論文 参考訳（メタデータ） (2021-12-13T21:08:04Z) - Self-Supervised Learning of Event-Based Optical Flow with Spiking Neural
Networks [3.7384509727711923]
ニューロモルフィックコンピューティングの大きな課題は、従来の人工ニューラルネットワーク(ANN)の学習アルゴリズムがスパイクニューラルネットワーク(SNN)に直接転送されないことである。
本稿では,イベントベースカメラ入力からの光フロー推定における自己教師型学習問題に着目した。
提案するANNとSNNの性能は,自己教師型で訓練された現在の最先端のANNと同等であることを示す。
論文 参考訳（メタデータ） (2021-06-03T14:03:41Z) - Robust Learning of Recurrent Neural Networks in Presence of Exogenous
Noise [22.690064709532873]
入力雑音を受けるRNNモデルに対するトラクタブルロバストネス解析を提案する。
線形化手法を用いてロバストネス測度を効率的に推定することができる。
提案手法はリカレントニューラルネットワークのロバスト性を大幅に改善する。
論文 参考訳（メタデータ） (2021-05-03T16:45:05Z) - Neuromorphic Computing for Content-based Image Retrieval [0.0]
画像検索のコンピュータビジョンタスクにおいて,Intelが開発したニューロモルフィックコンピューティングチップであるLoihiの応用について検討する。
この結果は,ARM Cortex-A72 CPUと比較してニューロモルフィックソリューションのエネルギー効率は2.5倍,軽量畳み込みニューラルネットワークの12.5倍であった。
論文 参考訳（メタデータ） (2020-08-04T07:34:07Z) - Robust Processing-In-Memory Neural Networks via Noise-Aware
Normalization [26.270754571140735]
PIM加速器は、しばしば物理的成分の固有のノイズに悩まされる。
雑音設定に対してロバストなニューラルネットワーク性能を実現するためのノイズ非依存手法を提案する。
論文 参考訳（メタデータ） (2020-07-07T06:51:28Z) - You Only Spike Once: Improving Energy-Efficient Neuromorphic Inference
to ANN-Level Accuracy [51.861168222799186]
スパイキングニューラルネットワーク(英: Spiking Neural Networks、SNN)は、神経型ネットワークの一種である。
SNNはスパースであり、重量はごくわずかであり、通常、より電力集約的な乗算および累積演算の代わりに追加操作のみを使用する。
本研究では,TTFS符号化ニューロモルフィックシステムの限界を克服することを目的としている。
論文 参考訳（メタデータ） (2020-06-03T15:55:53Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z) - 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)
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。