論文の概要: An Encoding Framework for Binarized Images using HyperDimensional Computing

• arxiv url: http://arxiv.org/abs/2312.00454v1
• Date: Fri, 1 Dec 2023 09:34:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-04 15:05:39.756214
• Title: An Encoding Framework for Binarized Images using HyperDimensional Computing
• Title（参考訳）: 超次元計算を用いた二元化画像の符号化フレームワーク
• Authors: Laura Smets, Werner Van Leekwijck, Ing Jyh Tsang, and Steven Latr\'e
• Abstract要約: 本稿では,近傍のパターンの類似性を保ったバイナライズされた画像を符号化する,新しい軽量化手法を提案する。 この方法は、MNISTデータセットのテストセットで97.35%、Fashion-MNISTデータセットで84.12%に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperdimensional Computing (HDC) is a brain-inspired and light-weight machine learning method. It has received significant attention in the literature as a candidate to be applied in the wearable internet of things, near-sensor artificial intelligence applications and on-device processing. HDC is computationally less complex than traditional deep learning algorithms and typically achieves moderate to good classification performance. A key aspect that determines the performance of HDC is the encoding of the input data to the hyperdimensional (HD) space. This article proposes a novel light-weight approach relying only on native HD arithmetic vector operations to encode binarized images that preserves similarity of patterns at nearby locations by using point of interest selection and local linear mapping. The method reaches an accuracy of 97.35% on the test set for the MNIST data set and 84.12% for the Fashion-MNIST data set. These results outperform other studies using baseline HDC with different encoding approaches and are on par with more complex hybrid HDC models. The proposed encoding approach also demonstrates a higher robustness to noise and blur compared to the baseline encoding.
• Abstract（参考訳）: hyperdimensional computing (hdc) は脳に触発され軽量な機械学習手法である。 文学において、モノのウェアラブルインターネット、ほぼセンサーに近い人工知能アプリケーション、デバイス上の処理に適用される候補として、大きな注目を集めている。 HDCは従来のディープラーニングアルゴリズムほど複雑ではなく、典型的には中等度から良質な分類性能を達成する。 HDCの性能を決定する重要な側面は、入力データの超次元(HD)空間への符号化である。 本稿では,特徴点選択と局所線形写像を用いて,近傍のパターンの類似性を保ったバイナライズされた画像を符号化する,ネイティブHD演算ベクトル演算のみに依存する,新しい軽量なアプローチを提案する。 この方法は、mnistデータセットのテストセットで97.35%、 fashion-mnistデータセットで84.12%の精度に達する。 これらの結果は、異なるエンコーディングアプローチを持つベースラインHDCを用いた他の研究よりも優れており、より複雑なハイブリッドHDCモデルと同等である。 提案手法は,ベースライン符号化に比べてノイズやボケに対して高いロバスト性を示す。

関連論文リスト

• DistHD: A Learner-Aware Dynamic Encoding Method for Hyperdimensional Classification [10.535034643999344]
  本稿では,HDC適応学習のための動的符号化手法であるDistHDを提案する。 提案するアルゴリズムであるDistHDは,より低次元で所望の精度を実現する。
  論文  参考訳（メタデータ） (2023-04-11T21:18:52Z)
• Streaming Encoding Algorithms for Scalable Hyperdimensional Computing [12.829102171258882]
  超次元コンピューティング(Hyperdimensional Computing、HDC)は、計算神経科学を起源とするデータ表現と学習のパラダイムである。 そこで本研究では,ハッシュに基づくストリーミング符号化手法のファミリについて検討する。 我々は,これらの手法が既存の代替手段よりもはるかに効率的でありながら,学習アプリケーションの性能に匹敵する保証を享受できることを正式に示す。
  論文  参考訳（メタデータ） (2022-09-20T17:25:14Z)
• HDTorch: Accelerating Hyperdimensional Computing with GP-GPUs for Design Space Exploration [4.783565770657063]
  我々は、ハイパーベクタ操作の拡張を備えたPyTorchベースのオープンソースのHDCライブラリであるHDTorchを紹介する。 我々は4つのHDCベンチマークデータセットを精度、実行時間、メモリ消費の観点から分析する。 我々はCHB-MIT脳波てんかんデータベース全体のHDトレーニングと推測分析を行った。
  論文  参考訳（メタデータ） (2022-06-09T19:46:08Z)
• An Extension to Basis-Hypervectors for Learning from Circular Data in Hyperdimensional Computing [62.997667081978825]
  超次元計算(Hyperdimensional Computing、HDC)は、高次元ランダム空間の性質に基づく計算フレームワークである。 本稿では, 基本超ベクトル集合について検討し, 一般にHDCへの実践的貢献につながっている。 本稿では,HDCを用いた機械学習において,これまでに扱ったことのない重要な情報である円形データから学習する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-16T18:04:55Z)
• Efficient VVC Intra Prediction Based on Deep Feature Fusion and Probability Estimation [57.66773945887832]
  本稿では,フレーム内予測におけるVersatile Video Coding (VVC) の複雑性を,深層融合と確率推定の2段階のフレームワークを用いて最適化することを提案する。 特に高精細度(HD)および超高精細度(UHD)ビデオシーケンスにおいて,提案手法の優位性を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2022-05-07T08:01:32Z)
• EnHDC: Ensemble Learning for Brain-Inspired Hyperdimensional Computing [2.7462881838152913]
  本稿では,超次元コンピューティングの文脈において,アンサンブル学習を探求する最初の試みについて述べる。 本稿では,EnHDCと呼ばれる最初のアンサンブルHDCモデルを提案する。 本研究では,1つのHDC分類器に対して平均3.2%の精度向上を達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T09:54:00Z)
• Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
  ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。 本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-18T00:21:17Z)
• Dynamic Neural Representational Decoders for High-Resolution Semantic Segmentation [98.05643473345474]
  動的ニューラル表現デコーダ(NRD)と呼ばれる新しいデコーダを提案する。 エンコーダの出力上の各位置がセマンティックラベルの局所的なパッチに対応するので、この研究では、これらの局所的なパッチをコンパクトなニューラルネットワークで表現する。 このニューラル表現により、意味ラベル空間に先行する滑らかさを活用することができ、デコーダをより効率的にすることができる。
  論文  参考訳（メタデータ） (2021-07-30T04:50:56Z)
• Neural Distributed Source Coding [59.630059301226474]
  相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。 提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
  論文  参考訳（メタデータ） (2021-06-05T04:50:43Z)
• SHEARer: Highly-Efficient Hyperdimensional Computing by Software-Hardware Enabled Multifold Approximation [7.528764144503429]
  我々は,HDコンピューティングの性能とエネルギー消費を改善するアルゴリズム-ハードウェア協調最適化であるSHEARerを提案する。 SHEARerは104,904x (15.7x)のスループット向上と56,044x (301x)の省エネを実現している。 また,提案した近似符号化をエミュレートすることで,HDモデルのトレーニングを可能にするソフトウェアフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-07-20T07:58:44Z)
• Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
  本稿では,効率よく適応的なコード駆動グラフを提案する。 自動エンコーダのコンテキストでデコードすることで更新される。 ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
  論文  参考訳（メタデータ） (2020-02-27T05:58:12Z)

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。