論文の概要: Pushing the boundaries of event subsampling in event-based video classification using CNNs

• arxiv url: http://arxiv.org/abs/2409.08953v1
• Date: Fri, 13 Sep 2024 16:14:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-16 15:50:08.022749
• Title: Pushing the boundaries of event subsampling in event-based video classification using CNNs
• Title（参考訳）: CNNを用いたイベントベースビデオ分類におけるイベントサブサンプリングの境界のプッシュ
• Authors: Hesam Araghi, Jan van Gemert, Nergis Tomen,
• Abstract要約: エッジAIアプリケーションでは、特定のタスクに対する最小イベント量を決定することで、イベントレートを削減し、帯域幅、メモリ、処理効率を改善することができる。 畳み込みニューラルネットワーク(CNN)モデルを用いて,イベントサブサンプリングがイベントデータの分類精度に及ぼす影響について検討した。
• 参考スコア（独自算出の注目度）: 13.283434521851998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event cameras offer low-power visual sensing capabilities ideal for edge-device applications. However, their high event rate, driven by high temporal details, can be restrictive in terms of bandwidth and computational resources. In edge AI applications, determining the minimum amount of events for specific tasks can allow reducing the event rate to improve bandwidth, memory, and processing efficiency. In this paper, we study the effect of event subsampling on the accuracy of event data classification using convolutional neural network (CNN) models. Surprisingly, across various datasets, the number of events per video can be reduced by an order of magnitude with little drop in accuracy, revealing the extent to which we can push the boundaries in accuracy vs. event rate trade-off. Additionally, we also find that lower classification accuracy in high subsampling rates is not solely attributable to information loss due to the subsampling of the events, but that the training of CNNs can be challenging in highly subsampled scenarios, where the sensitivity to hyperparameters increases. We quantify training instability across multiple event-based classification datasets using a novel metric for evaluating the hyperparameter sensitivity of CNNs in different subsampling settings. Finally, we analyze the weight gradients of the network to gain insight into this instability.
• Abstract（参考訳）: イベントカメラはエッジデバイスアプリケーションに適した低消費電力の視覚センシング機能を提供する。 しかし、その高イベントレートは、高い時間的詳細によって駆動され、帯域幅と計算資源の点で制限される。 エッジAIアプリケーションでは、特定のタスクに対する最小イベント量を決定することで、イベントレートを削減し、帯域幅、メモリ、処理効率を改善することができる。 本稿では,畳み込みニューラルネットワーク(CNN)モデルを用いたイベントデータ分類の精度に及ぼすイベントサブサンプリングの影響について検討する。 驚くべきことに、さまざまなデータセットにおいて、ビデオ毎のイベントの数は、精度の低下がほとんどなく、桁違いに減少する可能性がある。 さらに,高度サブサンプリング率の低い分類精度は,イベントのサブサンプリングによる情報損失にのみ寄与するだけでなく,過度パラメータに対する感度が増大する高度サブサンプリングシナリオにおいて,CNNのトレーニングが困難であることが確認された。 異なるサブサンプリング環境でCNNの過パラメータ感度を評価するための新しい指標を用いて,複数のイベントベース分類データセット間でのトレーニング不安定性を定量化する。 最後に、ネットワークの重み勾配を分析し、この不安定性に関する洞察を得る。

関連論文リスト

• Representation Learning on Event Stream via an Elastic Net-incorporated Tensor Network [1.9515859963221267]
  本稿では,イベントストリーム中のすべてのイベントのグローバルな相関を同時に取得できる新しい表現法を提案する。 本手法は, 最先端手法と比較して, フィルタノイズなどの応用において有効な結果が得られる。
  論文  参考訳（メタデータ） (2024-01-16T02:51:47Z)
• Implicit Event-RGBD Neural SLAM [54.74363487009845]
  神経性SLAMは近年顕著な進歩を遂げている。 既存の手法は、非理想的なシナリオにおいて重大な課題に直面します。 本稿では,最初のイベントRGBD暗黙的ニューラルSLAMフレームワークであるEN-SLAMを提案する。
  論文  参考訳（メタデータ） (2023-11-18T08:48:58Z)
• EvDNeRF: Reconstructing Event Data with Dynamic Neural Radiance Fields [80.94515892378053]
  EvDNeRFは、イベントデータを生成し、イベントベースの動的NeRFをトレーニングするためのパイプラインである。 NeRFは幾何学ベースの学習可能なレンダリングを提供するが、イベントの以前の作業は静的なシーンの再構築のみを考慮していた。 各種イベントのバッチサイズをトレーニングすることにより、微細な時間解像度でイベントのテスト時間予測を改善することができることを示す。
  論文  参考訳（メタデータ） (2023-10-03T21:08:41Z)
• EV-Catcher: High-Speed Object Catching Using Low-latency Event-based Neural Networks [107.62975594230687]
  イベントカメラが優れており、高速移動物体の衝突位置を正確に推定するアプリケーションを実証する。 イベントデータを低レイテンシでエンコードするために,Binary Event History Image(BEHI)と呼ばれる軽量なイベント表現を導入する。 計算制約のある組込みプラットフォーム上でも最大13m/sの速さで, 異なる場所をターゲットとした球のキャッチにおいて, 81%の成功率を達成することができることを示す。
  論文  参考訳（メタデータ） (2023-04-14T15:23:28Z)
• Optical flow estimation from event-based cameras and spiking neural networks [0.4899818550820575]
  イベントベースセンサーはスパイキングニューラルネットワーク(SNN)に最適である 教師付きトレーニング後,高密度光フロー推定が可能なU-NetライクなSNNを提案する。 分離可能な畳み込みにより、我々は、合理的に正確な光フロー推定が得られる光モデルを開発することができた。
  論文  参考訳（メタデータ） (2023-02-13T16:17:54Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Ultra-low Latency Spiking Neural Networks with Spatio-Temporal Compression and Synaptic Convolutional Block [4.081968050250324]
  スパイキングニューラルネットワーク(SNN)は、神経時間情報能力、低処理機能、高い生物学的妥当性を有する。 Neuro-MNIST、CIFAR10-S、DVS128ジェスチャデータセットは、個々のイベントをフレームに集約し、イベントストリーム分類の時間分解能を高める必要がある。 本研究では,NIST電流の時間ステップに個々のイベントを集約し,トレーニングや推論の遅延を低減する処理時間圧縮手法を提案する。
  論文  参考訳（メタデータ） (2022-03-18T15:14:13Z)
• Temporal-wise Attention Spiking Neural Networks for Event Streams Classification [6.623034896340885]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、脳にトリガーされたイベントトリガーコンピューティングモデルである。 本研究では,イベントストリーム処理のためのフレームベース表現学習のための時間的注意SNNモデルを提案する。 TA-SNNモデルはイベントストリーム分類タスクの精度を向上させることを実証する。
  論文  参考訳（メタデータ） (2021-07-25T02:28:44Z)
• Curriculum By Smoothing [52.08553521577014]
  畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。 アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。 トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
  論文  参考訳（メタデータ） (2020-03-03T07:27:44Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。