論文の概要: Pedestrian intention prediction in Adverse Weather Conditions with Spiking Neural Networks and Dynamic Vision Sensors

• arxiv url: http://arxiv.org/abs/2406.00473v1
• Date: Sat, 1 Jun 2024 15:58:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 06:55:04.495150
• Title: Pedestrian intention prediction in Adverse Weather Conditions with Spiking Neural Networks and Dynamic Vision Sensors
• Title（参考訳）: スパイクニューラルネットワークとダイナミックビジョンセンサを用いた逆気象条件における歩行者の意図予測
• Authors: Mustafa Sakhai, Szymon Mazurek, Jakub Caputa, Jan K. Argasiński, Maciej Wielgosz,
• Abstract要約: 本研究では,ダイナミック・ビジョン・センサ(DVS)と組み合わせたスパイキングニューラルネットワーク(SNN)の有効性を検討した。 我々は従来の畳み込みニューラルネットワーク(CNN)と比較してSNNの効率を評価する。 その結果、DVSと統合されたSNNは、計算オーバーヘッドを大幅に削減し、CNNと比較して困難条件における検出精度を向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0699049312989311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study examines the effectiveness of Spiking Neural Networks (SNNs) paired with Dynamic Vision Sensors (DVS) to improve pedestrian detection in adverse weather, a significant challenge for autonomous vehicles. Utilizing the high temporal resolution and low latency of DVS, which excels in dynamic, low-light, and high-contrast environments, we assess the efficiency of SNNs compared to traditional Convolutional Neural Networks (CNNs). Our experiments involved testing across diverse weather scenarios using a custom dataset from the CARLA simulator, mirroring real-world variability. SNN models, enhanced with Temporally Effective Batch Normalization, were trained and benchmarked against state-of-the-art CNNs to demonstrate superior accuracy and computational efficiency in complex conditions such as rain and fog. The results indicate that SNNs, integrated with DVS, significantly reduce computational overhead and improve detection accuracy in challenging conditions compared to CNNs. This highlights the potential of DVS combined with bio-inspired SNN processing to enhance autonomous vehicle perception and decision-making systems, advancing intelligent transportation systems' safety features in varying operational environments. Additionally, our research indicates that SNNs perform more efficiently in handling long perception windows and prediction tasks, rather than simple pedestrian detection.
• Abstract（参考訳）: 本研究では,ダイナミック・ビジョン・センサ(DVS)と組み合わせたスパイキングニューラルネットワーク(SNN)の有効性を検討した。 動的・低照度・高コントラスト環境に優れたDVSの高時間分解能と低レイテンシを利用して、従来の畳み込みニューラルネットワーク(CNN)と比較してSNNの効率を評価する。 我々の実験では、CARLAシミュレーターのカスタムデータセットを使用して、さまざまな気象シナリオをまたいだテストを行い、現実世界の変動を反映した。 SNNモデルは、雨や霧のような複雑な条件下で、より優れた精度と計算効率を示すために、最先端のCNNに対して訓練され、ベンチマークされた。 その結果、DVSと統合されたSNNは、計算オーバーヘッドを大幅に削減し、CNNと比較して困難条件における検出精度を向上させることが示唆された。 このことは、DVSとバイオインスパイアされたSNN処理を組み合わせることで、自動運転車の認識と意思決定システムを強化し、さまざまな運用環境でインテリジェントな輸送システムの安全性を向上する可能性を強調している。 さらに,SNNは,単純な歩行者検出よりも,長い知覚窓や予測タスクを効率的に処理できることを示す。

関連論文リスト

• Brain-Inspired Online Adaptation for Remote Sensing with Spiking Neural Network [17.315710646752176]
  本研究では、リモートセンシングのためのスパイキングニューラルネットワーク(SNN)に基づくオンライン適応フレームワークを提案する。 我々の知る限り、この研究はSNNのオンライン適応に最初に取り組むものである。 提案手法は、エッジデバイス上でのエネルギー効率と高速なオンライン適応を実現するとともに、軌道上の衛星やUAVにおけるリモートセンシングなどの応用に大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-03T08:47:53Z)
• sVAD: A Robust, Low-Power, and Light-Weight Voice Activity Detection with Spiking Neural Networks [51.516451451719654]
  スパイキングニューラルネットワーク(SNN)は生物学的に妥当で、電力効率が高いことが知られている。 本稿では sVAD と呼ばれる新しい SNN ベースの音声活動検出モデルを提案する。 SincNetと1D畳み込みによる効果的な聴覚特徴表現を提供し、アテンション機構による雑音の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-03-09T02:55:44Z)
• Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
  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)
• Autonomous Driving using Spiking Neural Networks on Dynamic Vision Sensor Data: A Case Study of Traffic Light Change Detection [0.0]
  スパイキングニューラルネットワーク(SNN)は、情報処理と意思決定のための代替モデルを提供する。 自動運転にSNNを用いた最近の研究は主に、簡易なシミュレーション環境における車線維持のような単純なタスクに焦点を当てている。 本研究は,実車上でSNNを使用するための重要なステップであるCARLAシミュレータにおける実写走行シーンについて,SNNについて検討する。
  論文  参考訳（メタデータ） (2023-09-27T23:31:30Z)
• Low Latency of object detection for spikng neural network [3.404826786562694]
  スパイキングニューラルネットワークは、バイナリスパイクの性質のため、エッジAIアプリケーションに適している。 本稿では,オブジェクト検出に特化して,高精度で低遅延なSNNを生成することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-09-27T10:26:19Z)
• STCSNN: High energy efficiency spike-train level spiking neural networks with spatio-temporal conversion [4.892303151981707]
  脳時空間スパイクニューロンネットワーク(SNN)は、低電力特性、高い生物学的可視性、強力な情報処理能力により、広く研究の関心を集めている。 SG(Surrogate)を採用することで、SNNの非微分性はトレーニング可能であるが、ANNと同等の精度を実現し、低消費電力機能を同時に維持することは依然として難しい。 本稿では,計算コストが低く高精度な時間変換型エネルギー効率のスパイクニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-07-14T03:27:34Z)
• Adaptive-SpikeNet: Event-based Optical Flow Estimation using Spiking Neural Networks with Learnable Neuronal Dynamics [6.309365332210523]
  ニューラルインスパイアされたイベント駆動処理でニューラルネットワーク(SNN)をスパイクすることで、非同期データを効率的に処理できる。 スパイク消滅問題を緩和するために,学習可能な神経力学を用いた適応型完全スパイキングフレームワークを提案する。 実験の結果,平均終端誤差(AEE)は最先端のANNと比較して平均13%減少した。
  論文  参考訳（メタデータ） (2022-09-21T21:17:56Z)
• 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)
• 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)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
  スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。 各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
  論文  参考訳（メタデータ） (2020-01-24T22:58:55Z)

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。