論文の概要: EventF2S: Asynchronous and Sparse Spiking AER Framework using
Neuromorphic-Friendly Algorithm
- arxiv url: http://arxiv.org/abs/2402.10078v1
- Date: Sun, 28 Jan 2024 19:42:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 12:37:37.658492
- Title: EventF2S: Asynchronous and Sparse Spiking AER Framework using
Neuromorphic-Friendly Algorithm
- Title（参考訳）: EventF2S:ニューロモルフィックフレンドリーアルゴリズムを用いた非同期・スパーススパイクAERフレームワーク
- Authors: Lakshmi Annamalai and Chetan Singh Thakur
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、AERデータ処理に固有の選択肢となっている。
我々は,脳にインスパイアされたAER-SNNオブジェクト認識ソリューションを導入し,ファースト・トゥ・スパイク認識ネットワークに統合されたデータエンコーダを含む。
- 参考スコア（独自算出の注目度）: 2.469315273321826
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bio-inspired Address Event Representation (AER) sensors have attracted
significant popularity owing to their low power consumption, high sparsity, and
high temporal resolution. Spiking Neural Network (SNN) has become the inherent
choice for AER data processing. However, the integration of the AER-SNN
paradigm has not adequately explored asynchronous processing, neuromorphic
compatibility, and sparse spiking, which are the key requirements of
resource-constrained applications. To address this gap, we introduce a
brain-inspired AER-SNN object recognition solution, which includes a data
encoder integrated with a First-To-Spike recognition network. Being fascinated
by the functionality of neurons in the visual cortex, we designed the solution
to be asynchronous and compatible with neuromorphic hardware. Furthermore, we
have adapted the principle of denoising and First-To-Spike coding to achieve
optimal spike signaling, significantly reducing computation costs. Experimental
evaluation has demonstrated that the proposed method incurs significantly less
computation cost to achieve state-of-the-art competitive accuracy. Overall, the
proposed solution offers an asynchronous and cost-effective AER recognition
system that harnesses the full potential of AER sensors.
- Abstract（参考訳）: バイオインスパイアされたアドレスイベント表現(AER)センサは、低消費電力、高空間性、高時間分解能により大きな人気を集めている。
スパイキングニューラルネットワーク(SNN)は、AERデータ処理に固有の選択肢となっている。
しかしながら、aer-snnパラダイムの統合は、リソース制約のあるアプリケーションの重要な要件である非同期処理、ニューロモルフィック互換性、スパーススパイクを十分に検討していない。
このギャップに対処するため,脳にインスパイアされたAER-SNNオブジェクト認識ソリューションを導入し,データエンコーダをファースト・トゥ・スパイク認識ネットワークに統合した。
視覚野のニューロンの機能に魅了され、我々は非同期でニューロモルフィックなハードウェアと互換性のあるソリューションを設計した。
さらに,最適なスパイクシグナリングを実現するために,ノイズ除去とファースト・トゥ・スパイク符号化の原理を適用し,計算コストを大幅に削減した。
実験により,提案手法は最先端の競争精度を達成するために計算コストを著しく削減することを示した。
提案したソリューションは,AERセンサの潜在能力を最大限活用する,非同期かつ費用対効果の高いAER認識システムを提供する。
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) - Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Resource-Efficient Sensor Fusion via System-Wide Dynamic Gated Neural Networks [16.0018681576301]
我々はQuantile-Constrained Inference (QIC)と呼ばれる新しいアルゴリズム戦略を提案する。
QICは、上記のシステムのすべての側面について、共同で高品質で迅速な決定を行います。
結果,QICは最適値と一致し,選択肢を80%以上上回っていることを確認した。
論文 参考訳（メタデータ） (2024-10-22T06:12:04Z) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳（メタデータ） (2023-10-11T07:30:37Z) - Automotive Object Detection via Learning Sparse Events by Spiking Neurons [20.930277906912394]
スパイキングニューラルネットワーク(SNN)は、本質的にイベントベースのデータと整合した時間的表現を提供する。
自動車のイベントベース物体検出に最適化された特化スパイキング特徴ピラミッドネットワーク(SpikeFPN)を提案する。
論文 参考訳（メタデータ） (2023-07-24T15:47:21Z) - Evolving Connectivity for Recurrent Spiking Neural Networks [8.80300633999542]
リカレントニューラルネットワーク(RSNN)は、人工知能の進歩に大きな可能性を秘めている。
本稿では、RSNNをトレーニングするための推論のみの手法である、進化的接続性(EC)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-28T07:08:25Z) - 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) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - End-to-End Learning of Neuromorphic Wireless Systems for Low-Power Edge
Artificial Intelligence [38.518936229794214]
我々は、ニューロモルフィックセンシング、インパルスラジオ(IR)、スパイキングニューラルネットワーク(SNN)に基づく、遠隔無線推論のための新しい「オールスパイク」低電力ソリューションを提案する。
我々は,エンコーダ,チャネル,デコーダのカスケードを,JSCC(Joint Source-Channel Coding)を実装した確率的SNNベースのオートエンコーダとして扱うエンドツーエンドのトレーニング手順を導入する。
実験により、提案したエンドツーエンドのニューロモルフィックエッジアーキテクチャが、効率的で低レイテンシなリモートセンシング、通信、推論のための有望なフレームワークを提供することを確認した。
論文 参考訳（メタデータ） (2020-09-03T09:10:16Z) - Effective AER Object Classification Using Segmented
Probability-Maximization Learning in Spiking Neural Networks [23.44400682585093]
アドレスイベント表現(AER)カメラは、高時間分解能と低消費電力の利点により注目されている。
本稿では,新しいセグメント化確率最大化(SPA)学習アルゴリズムを用いたAERオブジェクト分類モデルを提案する。
論文 参考訳（メタデータ） (2020-02-14T04:10:58Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。