論文の概要: Event-based Shape from Polarization with Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2312.16071v1
- Date: Tue, 26 Dec 2023 14:43:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 14:59:11.465768
- Title: Event-based Shape from Polarization with Spiking Neural Networks
- Title(参考訳): スパイクニューラルネットワークによる偏光からのイベントベース形状
- Authors: Peng Kang, Srutarshi Banerjee, Henry Chopp, Aggelos Katsaggelos, and
Oliver Cossairt
- Abstract要約: 表面正規化を効果的かつ効率的に行うために,シングルタイムステップとマルチタイムステップ・スパイキング・ユニセットを導入する。
本研究は,イベントベースセンシングにおけるSNNの進歩に寄与する。
- 参考スコア(独自算出の注目度): 5.200503222390179
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in event-based shape determination from polarization offer a
transformative approach that tackles the trade-off between speed and accuracy
in capturing surface geometries. In this paper, we investigate event-based
shape from polarization using Spiking Neural Networks (SNNs), introducing the
Single-Timestep and Multi-Timestep Spiking UNets for effective and efficient
surface normal estimation. Specificially, the Single-Timestep model processes
event-based shape as a non-temporal task, updating the membrane potential of
each spiking neuron only once, thereby reducing computational and energy
demands. In contrast, the Multi-Timestep model exploits temporal dynamics for
enhanced data extraction. Extensive evaluations on synthetic and real-world
datasets demonstrate that our models match the performance of state-of-the-art
Artifical Neural Networks (ANNs) in estimating surface normals, with the added
advantage of superior energy efficiency. Our work not only contributes to the
advancement of SNNs in event-based sensing but also sets the stage for future
explorations in optimizing SNN architectures, integrating multi-modal data, and
scaling for applications on neuromorphic hardware.
- Abstract(参考訳): 偏光からの事象に基づく形状決定の最近の進歩は、表面測地における速度と精度のトレードオフに取り組む変換的アプローチを提供する。
本稿では,スパイクニューラルネットワーク(snn)を用いた偏光からのイベントベース形状について検討し,単一時間ステップと複数時間ステップスパイクunetsを有効かつ効率的な表面正規推定に導入する。
具体的には、Single-Timestepモデルがイベントベースの形状を非時間的タスクとして処理し、各スパイキングニューロンの膜電位を1回だけ更新することで、計算とエネルギーの要求を減らす。
対照的に、Multi-Timestepモデルは、データ抽出の強化のために時間ダイナミクスを利用する。
合成および実世界のデータセットに対する広範囲な評価は、我々のモデルは、より優れたエネルギー効率の利点を生かして、表面の正常を推定する最先端の人工ニューラルネットワーク(ANN)の性能と一致していることを示している。
我々の研究は、イベントベースセンシングにおけるSNNの進歩に寄与するだけでなく、SNNアーキテクチャの最適化、マルチモーダルデータの統合、ニューロモーフィックハードウェア上のアプリケーションのスケーリングにおける将来の探索のステージにも貢献する。
関連論文リスト
- Efficient and Effective Time-Series Forecasting with Spiking Neural
Networks [50.195087118884665]
スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。
SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。
本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-02T16:23:50Z) - Neural Differential Recurrent Neural Network with Adaptive Time Steps [11.999568208578799]
隠れ状態の時間的発達を表すためにニューラルODEを用いるRNN-ODE-Adapと呼ばれるRNNベースのモデルを提案する。
我々は、データの変化の急激さに基づいて時間ステップを適応的に選択し、「スパイクのような」時系列に対してより効率的にモデルを訓練する。
論文 参考訳(メタデータ) (2023-06-02T16:46:47Z) - 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) - STSC-SNN: Spatio-Temporal Synaptic Connection with Temporal Convolution
and Attention for Spiking Neural Networks [7.422913384086416]
ニューロモルフィックコンピューティングのアルゴリズムモデルの一つであるスパイキングニューラルネットワーク(SNN)は、時間的処理能力のために多くの研究注目を集めている。
SNNの既存のシナプス構造は、ほぼ完全な接続や空間的2次元畳み込みであり、どちらも時間的依存関係を適切に抽出できない。
生体シナプスからインスピレーションを得てシナプス接続SNNモデルを提案し,シナプス接続の時間的受容場を強化する。
時間的依存を伴うシナプスモデルの提供は、分類タスクにおけるSNNの性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:13:22Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - 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) - Exploiting Spiking Dynamics with Spatial-temporal Feature Normalization
in Graph Learning [9.88508686848173]
内在的なダイナミクスを持つ生物学的スパイキングニューロンは、脳の強力な表現力と学習能力を持つ。
ユークリッド空間タスクを処理するためのスパイクニューラルネットワーク(SNN)の最近の進歩にもかかわらず、非ユークリッド空間データの処理においてSNNを活用することは依然として困難である。
本稿では,グラフ学習のためのSNNの直接学習を可能にする,一般的なスパイクに基づくモデリングフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-30T11:20:16Z) - Industrial Forecasting with Exponentially Smoothed Recurrent Neural
Networks [0.0]
本稿では,産業応用における非定常力学系のモデル化に好適な指数的スムーズなリカレントニューラルネットワーク(RNN)のクラスを提案する。
指数スムーズなRNNの電力負荷、気象データ、株価予測への応用は、多段階時系列予測における隠れ状態の指数スムーズ化の有効性を強調している。
論文 参考訳(メタデータ) (2020-04-09T17:53:49Z) - 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) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳(メタデータ) (2020-02-21T23:10:50Z)
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。