論文の概要: Brain-Inspired Online Adaptation for Remote Sensing with Spiking Neural Network

• arxiv url: http://arxiv.org/abs/2409.02146v1
• Date: Tue, 3 Sep 2024 08:47:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-05 21:50:21.094904
• Title: Brain-Inspired Online Adaptation for Remote Sensing with Spiking Neural Network
• Title（参考訳）: スパイクニューラルネットワークを用いたリモートセンシングのための脳誘発オンライン適応
• Authors: Dexin Duan, Peilin liu, Fei Wen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.315710646752176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: On-device computing, or edge computing, is becoming increasingly important for remote sensing, particularly in applications like deep network-based perception on on-orbit satellites and unmanned aerial vehicles (UAVs). In these scenarios, two brain-like capabilities are crucial for remote sensing models: (1) high energy efficiency, allowing the model to operate on edge devices with limited computing resources, and (2) online adaptation, enabling the model to quickly adapt to environmental variations, weather changes, and sensor drift. This work addresses these needs by proposing an online adaptation framework based on spiking neural networks (SNNs) for remote sensing. Starting with a pretrained SNN model, we design an efficient, unsupervised online adaptation algorithm, which adopts an approximation of the BPTT algorithm and only involves forward-in-time computation that significantly reduces the computational complexity of SNN adaptation learning. Besides, we propose an adaptive activation scaling scheme to boost online SNN adaptation performance, particularly in low time-steps. Furthermore, for the more challenging remote sensing detection task, we propose a confidence-based instance weighting scheme, which substantially improves adaptation performance in the detection task. To our knowledge, this work is the first to address the online adaptation of SNNs. Extensive experiments on seven benchmark datasets across classification, segmentation, and detection tasks demonstrate that our proposed method significantly outperforms existing domain adaptation and domain generalization approaches under varying weather conditions. The proposed method enables energy-efficient and fast online adaptation on edge devices, and has much potential in applications such as remote perception on on-orbit satellites and UAV.
• Abstract（参考訳）: デバイス上でのコンピューティング(エッジコンピューティング)は、特に軌道上の衛星や無人航空機(UAV)におけるディープネットワークベースの認識のようなアプリケーションにおいて、リモートセンシングにおいてますます重要になっている。 これらのシナリオでは、(1)高エネルギー効率で、限られた計算資源を持つエッジデバイス上でモデルを動作させ、(2)オンライン適応により、モデルが環境の変化、天候変化、センサードリフトに迅速に適応できるようにするという2つの脳のような能力がリモートセンシングモデルにとって重要である。 この研究は、リモートセンシングのためのスパイク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ことで、これらのニーズに対処する。 事前訓練されたSNNモデルから、BPTTアルゴリズムを近似した効率的な教師なしオンライン適応アルゴリズムを設計し、SNN適応学習の計算複雑性を著しく低減するフォワード・イン・タイム計算のみを含む。 さらに,オンラインSNN適応性能を向上させるための適応型アクティベーションスケーリング手法を提案する。 さらに、より困難なリモートセンシング検出タスクに対して、検出タスクの適応性能を大幅に改善する信頼性に基づくインスタンス重み付け方式を提案する。 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。 分類,セグメンテーション,検出タスクにまたがる7つのベンチマークデータセットの大規模な実験により,提案手法は,気象条件の異なる領域適応と領域一般化のアプローチを著しく上回ることを示した。 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。

関連論文リスト

• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• Pedestrian intention prediction in Adverse Weather Conditions with Spiking Neural Networks and Dynamic Vision Sensors [0.0699049312989311]
  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。
  論文  参考訳（メタデータ） (2024-06-01T15:58:24Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Recent Advances in Scalable Energy-Efficient and Trustworthy Spiking Neural networks: from Algorithms to Technology [11.479629320025673]
  スパイキングニューラルネットワーク(SNN)は、幅広い信号処理アプリケーションのために、ディープニューラルネットワークの魅力的な代替品となっている。 我々は、低レイテンシとエネルギー効率のSNNを効率的に訓練し、拡張するためのアルゴリズムと最適化の進歩について述べる。 デプロイ可能なSNNシステム構築における研究の今後の可能性について論じる。
  論文  参考訳（メタデータ） (2023-12-02T19:47:00Z)
• Adaptive Calibration: A Unified Conversion Framework of Spiking Neural Networks [1.632439547798896]
  スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワーク(ANN)に代わる有望なエネルギー効率の代替として登場した。 本稿では,SNN変換フレームワークの確立により,SNNの性能向上と効率向上という2つの目的に対処することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-11-24T03:43:59Z)
• NAS-ASDet: An Adaptive Design Method for Surface Defect Detection Network using Neural Architecture Search [5.640706784987607]
  表面欠陥検出のためのネットワークを適応的に設計するためのNAS-ASDetと呼ばれる新しい手法を提案する。 まず、特徴分布を適応的に調整できる、洗練された業界に適した検索空間を設計する。 そして、より高速に探索空間を探索するために、深い監視機構を備えたプログレッシブ検索戦略を用いる。
  論文  参考訳（メタデータ） (2023-11-18T03:15:45Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• 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)
• 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)

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。