論文の概要: Detection of Fast-Moving Objects with Neuromorphic Hardware
- arxiv url: http://arxiv.org/abs/2403.10677v2
- Date: Mon, 16 Sep 2024 19:18:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-18 22:20:44.264112
- Title: Detection of Fast-Moving Objects with Neuromorphic Hardware
- Title(参考訳): ニューロモルフィックハードウェアを用いた高速運動物体の検出
- Authors: Andreas Ziegler, Karl Vetter, Thomas Gossard, Jonas Tebbe, Sebastian Otte, Andreas Zell,
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、しばしば次世代ニューラルネットワーク(NN)と見なされる。
ニューロモルフィックコンピューティング(NC)とSNNは、しばしば次世代ニューラルネットワーク(NN)と見なされる。
- 参考スコア(独自算出の注目度): 12.323012135924374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuromorphic Computing (NC) and Spiking Neural Networks (SNNs) in particular are often viewed as the next generation of Neural Networks (NNs). NC is a novel bio-inspired paradigm for energy efficient neural computation, often relying on SNNs in which neurons communicate via spikes in a sparse, event-based manner. This communication via spikes can be exploited by neuromorphic hardware implementations very effectively and results in a drastic reductions of power consumption and latency in contrast to regular GPU-based NNs. In recent years, neuromorphic hardware has become more accessible, and the support of learning frameworks has improved. However, available hardware is partially still experimental, and it is not transparent what these solutions are effectively capable of, how they integrate into real-world robotics applications, and how they realistically benefit energy efficiency and latency. In this work, we provide the robotics research community with an overview of what is possible with SNNs on neuromorphic hardware focusing on real-time processing. We introduce a benchmark of three popular neuromorphic hardware devices for the task of event-based object detection. Moreover, we show that an SNN on a neuromorphic hardware is able to run in a challenging table tennis robot setup in real-time.
- Abstract(参考訳): 特にニューロモルフィック・コンピューティング(NC)とスパイキング・ニューラル・ニューラルネットワーク(SNN)は、次世代のニューラル・ニューラルネットワーク(NN)と見なされることが多い。
NCはエネルギー効率のよい神経計算のための新しいバイオインスパイアされたパラダイムであり、ニューロンがスパースでイベントベースの方法でスパイクを介して通信するSNNに依存していることが多い。
このスパイクによる通信は、ニューロモルフィックなハードウェア実装によって非常に効果的に利用することができ、通常のGPUベースのNNとは対照的に、消費電力と遅延を大幅に削減する。
近年、ニューロモルフィックハードウェアはよりアクセスしやすくなり、学習フレームワークのサポートも改善されている。
しかし、利用可能なハードウェアは、部分的にはまだ実験段階であり、これらのソリューションが効果的にできること、実際のロボットアプリケーションへの統合方法、エネルギー効率と遅延の現実的なメリットについて、透明性がない。
本研究では,ロボット研究コミュニティに対して,リアルタイム処理に着目したニューロモルフィックハードウェア上でのSNNの可能性について概説する。
イベントベースオブジェクト検出のための3つの一般的なニューロモルフィックハードウェアデバイスのベンチマークを紹介する。
さらに、ニューロモルフィックハードウェア上のSNNは、テーブルテニスロボットのセットアップにおいて、リアルタイムに実行可能であることを示す。
関連論文リスト
- Applications of Spiking Neural Networks in Visual Place Recognition [22.003073159582463]
スパイキングニューラルネットワーク(SNN)は、その潜在的なエネルギー効率と低レイテンシについて、ますます認識されている。
本稿では,視覚的位置認識(VPR)におけるSNNの3つの進歩について述べる。
まず,各SNNが重複しない地理的に異なる場所の集合を表すモジュールSNNを提案する。
次に、複数のネットワークが同じ場所を表すモジュールSNNのアンサンブルを提示し、精度を大幅に向上させる。
論文 参考訳(メタデータ) (2023-11-22T06:26:24Z) - Deep Neural Network Architecture Search for Accurate Visual Pose
Estimation aboard Nano-UAVs [69.19616451596342]
小型無人航空機(UAV)は、新興かつトレンドのトピックである。
我々は、新しいニューラルネットワーク探索(NAS)技術を活用し、視覚的ポーズ推定タスクのために複数の畳み込みニューラルネットワーク(CNN)を自動的に識別する。
その結果,10Hz@10mWおよび50Hz@90mWの実時間オンボード推算速度を達成しつつ,フィールド内制御誤差を32%低減し,現状を改善できた。
論文 参考訳(メタデータ) (2023-03-03T14:02:09Z) - LaneSNNs: Spiking Neural Networks for Lane Detection on the Loihi
Neuromorphic Processor [12.47874622269824]
我々は、イベントベースのカメラ入力を用いて、道路にマークされた車線を検出するための新しいSNNベースのアプローチであるLaneSNNを提案する。
我々は、学習したSNNモデルをIntel Loihi Neuromorphic Research Chipに実装し、マッピングする。
損失関数に対して,重み付き二元交叉エントロピー(WCE)と平均二乗誤差(MSE)の線形合成に基づく新しい手法を開発した。
論文 参考訳(メタデータ) (2022-08-03T14:51:15Z) - Training High-Performance Low-Latency Spiking Neural Networks by
Differentiation on Spike Representation [70.75043144299168]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。
非分化性のため、SNNを効率的に訓練することは困難である。
本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
論文 参考訳(メタデータ) (2022-05-01T12:44:49Z) - Event-based Video Reconstruction via Potential-assisted Spiking Neural
Network [48.88510552931186]
バイオインスパイアされたニューラルネットワークは、イベント駆動ハードウェア上での計算効率の向上につながる可能性がある。
完全スパイキングニューラルネットワーク(EVSNN)に基づくイベントベースビデオ再構成フレームワークを提案する。
スパイクニューロンは、そのような時間依存タスクを完了させるために有用な時間情報(メモリ)を格納する可能性がある。
論文 参考訳(メタデータ) (2022-01-25T02:05:20Z) - Fully Spiking Variational Autoencoder [66.58310094608002]
スパイキングニューラルネットワーク(SNN)は、超高速で超低エネルギー消費のニューロモルフィックデバイス上で動作することができる。
本研究では,SNNを用いた可変オートエンコーダ(VAE)を構築し,画像生成を実現する。
論文 参考訳(メタデータ) (2021-09-26T06:10:14Z) - CarSNN: An Efficient Spiking Neural Network for Event-Based Autonomous
Cars on the Loihi Neuromorphic Research Processor [15.093607722961407]
スパイキングニューラルネットワーク(SNN)は低レイテンシと低消費電力で高性能を実現する。
本稿では、イベントベースカメラに接続されたSNNを用いて、自律運転(AD)の重要な問題に直面する。
実験はオフラインで教師付き学習規則に従って行われ、学習したSNNモデルをIntel Loihi Neuromorphic Research Chipにマッピングする。
論文 参考訳(メタデータ) (2021-07-01T12:20:48Z) - Neuroevolution of a Recurrent Neural Network for Spatial and Working
Memory in a Simulated Robotic Environment [57.91534223695695]
我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。
提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
論文 参考訳(メタデータ) (2021-02-25T02:13:52Z) - An Efficient Spiking Neural Network for Recognizing Gestures with a DVS
Camera on the Loihi Neuromorphic Processor [12.118084418840152]
Spiking Neural Networks(SNN)は、機械学習ベースのアプリケーションにおいて注目を浴びている。
本稿では,対応するディープニューラルネットワーク(DNN)とほぼ同じ精度のSNNの設計手法を示す。
我々のSNNは89.64%の分類精度を達成し、37のLoihiコアしか占有していない。
論文 参考訳(メタデータ) (2020-05-16T17:00:10Z) - Event-Based Angular Velocity Regression with Spiking Networks [51.145071093099396]
スパイキングニューラルネットワーク(SNN)は、数値ではなく時間スパイクとして伝達される情報を処理する。
本稿では,イベントカメラから与えられた事象の時間回帰問題を初めて提案する。
角速度回帰を行うためにSNNをうまく訓練できることが示される。
論文 参考訳(メタデータ) (2020-03-05T17:37:16Z)
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。