論文の概要: Hyperspectral Image Classification Based on Faster Residual Multi-branch Spiking Neural Network

• arxiv url: http://arxiv.org/abs/2409.11619v1
• Date: Wed, 18 Sep 2024 00:51:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 19:29:58.520672
• Title: Hyperspectral Image Classification Based on Faster Residual Multi-branch Spiking Neural Network
• Title（参考訳）: 高速残差マルチブランチスパイクニューラルネットワークによるハイパースペクトル画像分類
• Authors: Yang Liu, Yahui Li, Rui Li, Liming Zhou, Lanxue Dang, Huiyu Mu, Qiang Ge,
• Abstract要約: 本稿では,HSI分類タスクのための漏洩統合火災ニューロンモデルに基づくスパイキングニューラルネットワーク(SNN)を構築する。 SNN-SWMRでは、タイムステップの約84%、トレーニング時間、テストタイムの約63%と70%を同じ精度で削減する必要がある。
• 参考スコア（独自算出の注目度）: 6.166929138912052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural network (CNN) performs well in Hyperspectral Image (HSI) classification tasks, but its high energy consumption and complex network structure make it difficult to directly apply it to edge computing devices. At present, spiking neural networks (SNN) have developed rapidly in HSI classification tasks due to their low energy consumption and event driven characteristics. However, it usually requires a longer time step to achieve optimal accuracy. In response to the above problems, this paper builds a spiking neural network (SNN-SWMR) based on the leaky integrate-and-fire (LIF) neuron model for HSI classification tasks. The network uses the spiking width mixed residual (SWMR) module as the basic unit to perform feature extraction operations. The spiking width mixed residual module is composed of spiking mixed convolution (SMC), which can effectively extract spatial-spectral features. Secondly, this paper designs a simple and efficient arcsine approximate derivative (AAD), which solves the non-differentiable problem of spike firing by fitting the Dirac function. Through AAD, we can directly train supervised spike neural networks. Finally, this paper conducts comparative experiments with multiple advanced HSI classification algorithms based on spiking neural networks on six public hyperspectral data sets. Experimental results show that the AAD function has strong robustness and a good fitting effect. Meanwhile, compared with other algorithms, SNN-SWMR requires a time step reduction of about 84%, training time, and testing time reduction of about 63% and 70% at the same accuracy. This study solves the key problem of SNN based HSI classification algorithms, which has important practical significance for promoting the practical application of HSI classification algorithms in edge devices such as spaceborne and airborne devices.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類タスクにおいてよく機能するが、その高エネルギー消費と複雑なネットワーク構造により、エッジコンピューティングデバイスに直接適用することは困難である。 現在、スパイキングニューラルネットワーク(SNN)は、低エネルギー消費とイベント駆動特性のため、HSI分類タスクにおいて急速に発展している。 しかし、最適な精度を達成するには、通常、長い時間を要する。 以上の問題に対応して,HSI分類タスクのための漏洩統合火災ニューロンモデルに基づくスパイキングニューラルネットワーク(SNN-SWMR)を構築した。 ネットワークはスパイキング幅混合残差(SWMR)モジュールを基本単位として特徴抽出操作を行う。 スパイキング幅混合残差モジュールは、空間スペクトル特性を効果的に抽出できるスパイキング混合畳み込み(SMC)からなる。 第2に,ダイラック関数を適合させることによりスパイク発火の非微分不可能な問題を解く,単純で効率的なアルコシン近似微分(AAD)を設計する。 AADを通じて、教師付きスパイクニューラルネットワークを直接訓練することができる。 最後に、6つの公開ハイパースペクトルデータセット上のスパイクニューラルネットワークに基づく複数の高度なHSI分類アルゴリズムを用いて比較実験を行った。 実験の結果, AAD関数は強靭性を有し, 適合性も良好であった。 一方、他のアルゴリズムと比較して、SNN-SWMRでは、タイムステップの約84%、トレーニング時間、テスト時間の約63%と70%を同じ精度で削減する必要がある。 本研究では,SNNに基づくHSI分類アルゴリズムの課題を解決し,宇宙機や航空機などのエッジデバイスにおけるHSI分類アルゴリズムの実用化を促進する上で重要な実践的意義を有する。

関連論文リスト

• Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
  スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。 動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。 以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
  論文  参考訳（メタデータ） (2024-08-08T16:48:33Z)
• EventRPG: Event Data Augmentation with Relevance Propagation Guidance [25.899827299880577]
  スパイキングニューラルネットワーク(SNN)におけるイベントベース分類タスクにおけるオーバーフィッティングは重要な問題である データ拡張は、ニューラルネットワークの過度な適合を緩和し、一般化能力を改善するための、シンプルだが効率的な方法である。 本研究では、より効率的な拡張のために、スパイキングニューラルネットワーク上の関連伝播を利用するEventRPGを提案する。
  論文  参考訳（メタデータ） (2024-03-14T10:52:45Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• SA-CNN: Application to text categorization issues using simulated annealing-based convolutional neural network optimization [0.0]
  畳み込みニューラルネットワーク(CNN)は、ディープラーニングアルゴリズムの代表クラスである。 テキストCNNニューラルネットワークに基づくテキスト分類タスクのためのSA-CNN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） (2023-03-13T14:27:34Z)
• Deep Learning Architectures for FSCV, a Comparison [0.0]
  適合性は、"out-of-probe"の場合の予測性能、人工的に誘導される電気ノイズに対する応答、与えられたプローブに対してモデルがいつ不完全になるかを予測する能力によって決定される。 深い畳み込みニューラルネットワークであるInceptionTimeアーキテクチャは、テストされたモデルの最高の絶対的な予測性能を持つが、ノイズの影響を受けやすい。 単純多層型パーセプトロンアーキテクチャは2番目に低い予測誤差を有しており、人工ノイズの影響を受けていないため、畳み込みは疑わしいほど重要でない可能性がある。
  論文  参考訳（メタデータ） (2022-12-05T00:20:10Z)
• 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)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• 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)
• A Spike in Performance: Training Hybrid-Spiking Neural Networks with Quantized Activation Functions [6.574517227976925]
  Spiking Neural Network(SNN)は、エネルギー効率の高いコンピューティングに対する有望なアプローチである。 我々は、非スパイキングネットワークをSNNに変換する際に、最先端の精度を維持する方法を示す。
  論文  参考訳（メタデータ） (2020-02-10T05:24:27Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。