論文の概要: Computational models of object motion detectors accelerated using FPGA technology

• arxiv url: http://arxiv.org/abs/2310.06842v1
• Date: Wed, 23 Aug 2023 20:26:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 03:45:10.743562
• Title: Computational models of object motion detectors accelerated using FPGA technology
• Title（参考訳）: FPGA技術を用いた物体運動検出器の計算モデル
• Authors: Pedro Machado
• Abstract要約: このPhD研究は、物体の動き検出の領域における3つの重要な貢献を紹介する。 MHSNN:脊椎動物の網膜に触発された4層スパイキングニューラルネットワークアーキテクチャ。 HSMD: 調整された3層SNNを使用して動的バックグラウンドサブトラクション(DBS)を強化する。 NeuroHSMD: HSMD上に構築されたこの実装は、専用のハードウェア上でSNNコンポーネントを実装した。
• 参考スコア（独自算出の注目度）: 0.3626013617212667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This PhD research introduces three key contributions in the domain of object motion detection: Multi-Hierarchical Spiking Neural Network (MHSNN): A specialized four-layer Spiking Neural Network (SNN) architecture inspired by vertebrate retinas. Trained on custom lab-generated images, it exhibited 6.75% detection error for horizontal and vertical movements. While non-scalable, MHSNN laid the foundation for further advancements. Hybrid Sensitive Motion Detector (HSMD): Enhancing Dynamic Background Subtraction (DBS) using a tailored three-layer SNN, stabilizing foreground data to enhance object motion detection. Evaluated on standard datasets, HSMD outperformed OpenCV-based methods, excelling in four categories across eight metrics. It maintained real-time processing (13.82-13.92 fps) on a high-performance computer but showed room for hardware optimisation. Neuromorphic Hybrid Sensitive Motion Detector (NeuroHSMD): Building upon HSMD, this adaptation implemented the SNN component on dedicated hardware (FPGA). OpenCL simplified FPGA design and enabled portability. NeuroHSMD demonstrated an 82% speedup over HSMD, achieving 28.06-28.71 fps on CDnet2012 and CDnet2014 datasets. These contributions collectively represent significant advancements in object motion detection, from a biologically inspired neural network design to an optimized hardware implementation that outperforms existing methods in accuracy and processing speed.
• Abstract（参考訳）: マルチ階層スパイキングニューラルネットワーク(MHSNN: Multi-Hierarchical Spiking Neural Network)は、脊椎動物の網膜にインスパイアされた4層スパイキングニューラルネットワーク(SNN)アーキテクチャである。 カスタムラボ生成画像で訓練した結果、水平および垂直の運動に対して6.75%検出誤差がみられた。 MHSNNはスケールできないが、さらなる進歩の基盤を築いた。 Hybrid Sensitive Motion Detector (HSMD): 3層SNNによる動的バックグラウンドサブトラクション(DBS)の強化、前景データの安定化、物体の動き検出の強化。 標準データセットに基づいて評価され、HSMDはOpenCVベースのメソッドよりも優れ、8つのメトリクスの4つのカテゴリで優れている。 高性能コンピュータ上でのリアルタイム処理(13.82-13.92fps)を維持したが、ハードウェア最適化の余地があった。 Neuromorphic Hybrid Sensitive Motion Detector (NeuroHSMD): HSMD上に構築され、SNNコンポーネントを専用ハードウェア(FPGA)上に実装した。 OpenCLはFPGA設計を単純化し、移植性を実現した。 NeuroHSMDは82%のスピードアップを示し、CDnet2012とCDnet2014データセットで28.06-28.71fpsを達成した。 これらの貢献は、生物学的にインスパイアされたニューラルネットワーク設計から、既存の手法を精度と処理速度で上回る最適化されたハードウェア実装まで、オブジェクトの動き検出における重要な進歩を表している。

関連論文リスト

• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。 ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。 本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• FMM-X3D: FPGA-based modeling and mapping of X3D for Human Action Recognition [10.385864925381384]
  本稿では,人間行動認識の最先端モデルであるX3DをFPGAデバイスにマッピングする問題に対処する。 提案するツールフローは,FPGAデバイスの利用可能なリソースとオフチップメモリ特性を考慮した最適化ストリームベースハードウェアシステムを生成する。
  論文  参考訳（メタデータ） (2023-05-29T11:17:51Z)
• HARFLOW3D: A Latency-Oriented 3D-CNN Accelerator Toolflow for HAR on FPGA Devices [71.45672882756001]
  本研究では,3次元畳み込みニューラルネットワークをFPGAにマッピングするための,新しいストリーミングアーキテクチャベースのツールフローを提案する。 HARFLOW3Dツールフローは、ONNXフォーマットで3D CNNを入力し、FPGAの特性を記述する。 ツールフローが幅広いモデルやデバイスをサポートする能力は、様々な3D CNNとFPGAシステムペアに関する数多くの実験を通して示される。
  論文  参考訳（メタデータ） (2023-03-30T08:25:27Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• NeuroHSMD: Neuromorphic Hybrid Spiking Motion Detector [2.0625936401496237]
  VertebrateRetinaは、動く物体を検知するといった簡単な視覚タスクを処理するのに非常に効率的である。 物体運動の検出は、OMS-GC(Object-motion-sensitive ganglion cells)と呼ばれる特殊な網膜神経節細胞によって行われる この研究で提案されたニューロモルフィックハイブリッドスパイキングモーション検出器(NeuroHSMD)は、フィールドプログラマブルゲートアレイ(FPGA)を用いたHSMDアルゴリズムを高速化する。 以上の結果から,NuroHSMDは品質劣化を伴わず,リアルタイムにHSMDアルゴリズムと同じ結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-12-12T00:01:15Z)
• 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)
• HSMD: An object motion detection algorithm using a Hybrid Spiking Neural Network Architecture [0.2580765958706854]
  運動感受性ガングリオン細胞(Object-motion-sensitive ganglion cells、OMS-GC)は、運動する物体を感知する網膜の特殊な細胞である。 OMS-GCは入力された連続信号として、光神経を介して視覚皮質に伝達されるスパイクパターンを出力として生成する。 この研究で提案されたHSMDアルゴリズムは、カスタマイズされた3層スパイキングニューラルネットワーク(SNN)を用いたGSOC動的バックグラウンドサブトラクション(DBS)アルゴリズムを強化する。 その結果,HSMDは競合するアプローチの中で第1位であった。
  論文  参考訳（メタデータ） (2021-09-09T09:15:56Z)
• HYPER-SNN: Towards Energy-efficient Quantized Deep Spiking Neural Networks for Hyperspectral Image Classification [5.094623170336122]
  スパイキングニューラルネットワーク(SNN)は、重量、膜漏れ、発射閾値を最適化するために量子化対応の勾配降下を訓練する。 トレーニングと推論の両方の間、HSIのアナログ画素値はスパイクトレインに変換することなくSNNの入力層に直接適用される。 3次元および3次元/2次元ハイブリッド畳み込みアーキテクチャ上での3つのHSIデータセットを用いて提案手法の評価を行った。
  論文  参考訳（メタデータ） (2021-07-26T06:17:10Z)
• End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
  エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。 局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。 エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
  論文  参考訳（メタデータ） (2020-12-07T09:14:55Z)

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。