論文の概要: Hyperdimensional Intelligent Sensing for Efficient Real-Time Audio Processing on Extreme Edge
- arxiv url: http://arxiv.org/abs/2502.10718v1
- Date: Sat, 15 Feb 2025 08:19:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:08:54.305351
- Title: Hyperdimensional Intelligent Sensing for Efficient Real-Time Audio Processing on Extreme Edge
- Title（参考訳）: 極端エッジ上での高能率リアルタイムオーディオ処理のための超次元知能センシング
- Authors: Sanggeon Yun, Ryozo Masukawa, Hanning Chen, SungHeon Jeong, Wenjun Huang, Arghavan Rezvani, Minhyoung Na, Yoshiki Yamaguchi, Mohsen Imani,
- Abstract要約: 本稿では,インテリジェントなオーディオセンシングフレームワークに適した近接センサモデルによる画期的なアプローチを提案する。
我々のモデルは低エネルギー、高速推論、オンライン学習に優れています。
ASIC設計の効率的な実装には高い適応性があり、エネルギー効率に優れる。
- 参考スコア（独自算出の注目度）: 4.705504163848239
- License:
- Abstract: The escalating challenges of managing vast sensor-generated data, particularly in audio applications, necessitate innovative solutions. Current systems face significant computational and storage demands, especially in real-time applications like gunshot detection systems (GSDS), and the proliferation of edge sensors exacerbates these issues. This paper proposes a groundbreaking approach with a near-sensor model tailored for intelligent audio-sensing frameworks. Utilizing a Fast Fourier Transform (FFT) module, convolutional neural network (CNN) layers, and HyperDimensional Computing (HDC), our model excels in low-energy, rapid inference, and online learning. It is highly adaptable for efficient ASIC design implementation, offering superior energy efficiency compared to conventional embedded CPUs or GPUs, and is compatible with the trend of shrinking microphone sensor sizes. Comprehensive evaluations at both software and hardware levels underscore the model's efficacy. Software assessments through detailed ROC curve analysis revealed a delicate balance between energy conservation and quality loss, achieving up to 82.1% energy savings with only 1.39% quality loss. Hardware evaluations highlight the model's commendable energy efficiency when implemented via ASIC design, especially with the Google Edge TPU, showcasing its superiority over prevalent embedded CPUs and GPUs.
- Abstract（参考訳）: 大規模なセンサ生成データ、特にオーディオアプリケーションを管理するという課題は、革新的なソリューションを必要としている。
現在のシステムは、特に銃弾検出システム(GSDS)のようなリアルタイムアプリケーションにおいて、計算と記憶の要求が大幅に増大しており、エッジセンサーの普及がこれらの問題を悪化させている。
本稿では,インテリジェントなオーディオセンシングフレームワークに適した近接センサモデルによる画期的なアプローチを提案する。
高速フーリエ変換(FFT)モジュール,畳み込みニューラルネットワーク(CNN)レイヤ,超次元コンピューティング(HDC)を用いることで,我々のモデルは低エネルギー,高速推論,オンライン学習に優れる。
ASIC設計の効率的な実装には高い適応性があり、従来の組み込みCPUやGPUに比べてエネルギー効率が良く、マイクロフォンセンササイズを縮小する傾向と互換性がある。
ソフトウェアレベルとハードウェアレベルの総合的な評価は、モデルの有効性を裏付けるものである。
詳細なROC曲線解析によるソフトウェア評価では、エネルギー保存と品質損失の微妙なバランスが示され、82.1%の省エネが達成され、品質損失は1.39%に留まった。
ハードウェア評価では、ASIC設計、特にGoogle Edge TPUによって実装されたモデルが、一般的な組み込みCPUやGPUよりも優れていることを示すエネルギー効率が強調されている。
関連論文リスト
- Energy-Efficient Spiking Recurrent Neural Network for Gesture Recognition on Embedded GPUs [1.37621344207686]
本研究では,スピーキングリカレントニューラルネットワーク(SRNN)と液体時間定数ニューロンを併用したジェスチャー認識システムについて検討した。
NVIDIA Jetson Nano組み込みGPUプラットフォームにおけるエネルギー効率と計算効率に着目した。
論文 参考訳（メタデータ） (2024-08-23T10:50:29Z) - Deep Learning Models in Speech Recognition: Measuring GPU Energy Consumption, Impact of Noise and Model Quantization for Edge Deployment [0.0]
本研究では, NVIDIA Jetson Orin Nanoにおける各種ASRモデル推論の性能に及ぼす量子化, メモリ要求, エネルギー消費の影響について検討した。
その結果、fp32からfp16への精度変更は、異なるモデル間での音声書き起こしのエネルギー消費量を半減させ、性能劣化を最小限に抑えることができた。
論文 参考訳（メタデータ） (2024-05-02T05:09:07Z) - HyperSense: Hyperdimensional Intelligent Sensing for Energy-Efficient Sparse Data Processing [5.570372733437123]
HyperSenseは、センサデータのオブジェクト存在予測に基づいて、ADCモジュールのデータ生成率を効率的に制御する。
HyperSense用に調整されたFPGAベースのドメイン固有アクセラレータは、NVIDIA Jetson OrinのYOLOv4と比較して5.6倍のスピードアップを実現しています。
論文 参考訳（メタデータ） (2024-01-04T01:12:33Z) - Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳（メタデータ） (2023-12-14T09:46:16Z) - Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。
有望な解決策の1つは、アナログコンピューティングを再考することである。
ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
論文 参考訳（メタデータ） (2023-11-13T08:59:01Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。
この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。
分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
論文 参考訳（メタデータ） (2022-01-18T13:59:22Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - From DNNs to GANs: Review of efficient hardware architectures for deep
learning [0.0]
ニューラルネットワークとディープラーニングが現在の研究パラダイムに影響を与え始めている。
DSPプロセッサは、ニューラルネットワーク、アクティベーション機能、畳み込みニューラルネットワーク、生成的敵ネットワーク操作を実行することができない。
異なるアルゴリズムは、ニューラルネットワーク、アクティベーション機能、畳み込みニューラルネットワーク、生成対向ネットワークにおける高速なパフォーマンスに適合するDSPプロセッサを設計するために適合している。
論文 参考訳（メタデータ） (2021-06-06T13:23:06Z) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳（メタデータ） (2021-03-08T03:09:37Z)
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。