論文の概要: SU-YOLO: Spiking Neural Network for Efficient Underwater Object Detection

• arxiv url: http://arxiv.org/abs/2503.24389v1
• Date: Mon, 31 Mar 2025 17:59:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:39:36.065441
• Title: SU-YOLO: Spiking Neural Network for Efficient Underwater Object Detection
• Title（参考訳）: SU-YOLO:高効率水中物体検出のためのスパイクニューラルネットワーク
• Authors: Chenyang Li, Wenxuan Liu, Guoqiang Gong, Xiaobo Ding, Xian Zhong,
• Abstract要約: Spiking Underwater YOLO (SU-YOLO) は水中物体検出のためのスパイキングニューラルネットワーク(SNN)モデルである。 SU-YOLOは、整数加算のみに基づく新しいスパイクベースの水中画像復調手法を取り入れている。 その結果、Su-YOLOのmAPは78.8%、パラメータは6.97M、エネルギー消費は2.98mJであることがわかった。
• 参考スコア（独自算出の注目度）: 15.935285733525962
• License:
• Abstract: Underwater object detection is critical for oceanic research and industrial safety inspections. However, the complex optical environment and the limited resources of underwater equipment pose significant challenges to achieving high accuracy and low power consumption. To address these issues, we propose Spiking Underwater YOLO (SU-YOLO), a Spiking Neural Network (SNN) model. Leveraging the lightweight and energy-efficient properties of SNNs, SU-YOLO incorporates a novel spike-based underwater image denoising method based solely on integer addition, which enhances the quality of feature maps with minimal computational overhead. In addition, we introduce Separated Batch Normalization (SeBN), a technique that normalizes feature maps independently across multiple time steps and is optimized for integration with residual structures to capture the temporal dynamics of SNNs more effectively. The redesigned spiking residual blocks integrate the Cross Stage Partial Network (CSPNet) with the YOLO architecture to mitigate spike degradation and enhance the model's feature extraction capabilities. Experimental results on URPC2019 underwater dataset demonstrate that SU-YOLO achieves mAP of 78.8% with 6.97M parameters and an energy consumption of 2.98 mJ, surpassing mainstream SNN models in both detection accuracy and computational efficiency. These results underscore the potential of SNNs for engineering applications. The code is available in https://github.com/lwxfight/snn-underwater.
• Abstract（参考訳）: 海洋調査や産業安全検査には水中物体検出が不可欠である。 しかし、複雑な光学環境と水中機器の限られた資源は、高い精度と低消費電力を達成する上で大きな課題となる。 これらの問題に対処するために、スパイキングニューラルネットワーク(SNN)モデルであるスパイキング・アンダーウォーター・ヨロ(SU-YOLO)を提案する。 SU-YOLOは、SNNの軽量でエネルギー効率の良い特性を活用し、整数加算のみに基づく新しいスパイクベースの水中画像復調手法を導入し、最小計算オーバーヘッドで特徴マップの品質を向上させる。 分割バッチ正規化(SeBN)は,複数の時間ステップにまたがって特徴写像を独立に正規化する手法であり,SNNの時間的ダイナミクスをより効率的に捉えるために,残差構造との統合に最適化されている。 再設計されたスパイク残余ブロックは、クロスステージ部分ネットワーク(CSPNet)とYOLOアーキテクチャを統合し、スパイク劣化を緩和し、モデルの特徴抽出能力を高める。 URPC2019水中データセットの実験結果から、SU-YOLOは78.8%のmAPを6.97Mパラメータで達成し、エネルギー消費量は2.98mJであり、検出精度と計算効率の両方で主要なSNNモデルを上回っている。 これらの結果は、エンジニアリング応用におけるSNNの可能性を強調している。 コードはhttps://github.com/lwxfight/snn-underwater.comで公開されている。

関連論文リスト

• SpikSSD: Better Extraction and Fusion for Object Detection with Spiking Neuron Networks [11.556160544636116]
  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生物学的解釈可能性のために広く注目を集めている。 本稿では,スパイキングシングルショットマルチボックス検出器であるSpikSSDを提案する。 具体的には、各層における膜シナプス入力分布を効果的に調整するフルスポーキングバックボーンネットワークMDS-ResNetを設計する。 スパイキング特徴融合には,スパイキング特徴の双方向融合を初めて実現したスパイキング双方向融合モジュール(SBFM)を導入する。
  論文  参考訳（メタデータ） (2025-01-25T09:24:14Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Fully Spiking Denoising Diffusion Implicit Models [61.32076130121347]
  スパイキングニューラルネットワーク(SNN)は、超高速のニューロモルフィックデバイス上で走る能力のため、かなりの注目を集めている。 本研究では,SNN内で拡散モデルを構築するために,拡散暗黙モデル (FSDDIM) を完全にスパイクする新しい手法を提案する。 提案手法は,最先端の完全スパイク生成モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-04T09:07:09Z)
• Memory-efficient particle filter recurrent neural network for object localization [53.68402839500528]
  本研究では、オブジェクトの局所化問題を解決するために、新しいメモリ効率のリカレントニューラルネットワーク(RNN)アーキテクチャを提案する。 古典的粒子フィルタの概念をGRU RNNアーキテクチャと組み合わせる。 我々の実験では、mePFRNNモデルは、考慮された競合相手よりも正確なローカライゼーションを提供し、訓練されたパラメータを少なくする。
  論文  参考訳（メタデータ） (2023-10-02T19:41:19Z)
• Enabling energy-Efficient object detection with surrogate gradient descent in spiking neural networks [0.40054215937601956]
  スパイキングニューラルネットワーク(英: Spiking Neural Networks、SNN)は、イベント駆動処理と処理時情報の両方において、生物学的にもっとも有効なニューラルネットワークモデルである。 本研究では,オブジェクト検出タスクにおける深部SNNのトレーニングを容易にするために,回帰問題を解くCurrent Mean Decoding(CMD)手法を提案する。 勾配サロゲートとCMDに基づいて,物体検出のためのSNN-YOLOv3モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-07T15:48:00Z)
• Spiking Denoising Diffusion Probabilistic Models [11.018937744626387]
  スパイキングニューラルネットワーク(SNN)は、超低エネルギー消費と高い生物学的信頼性を有する。 そこで本研究では,SNN を用いた新しい生成モデルである Spking Denoising Diffusion Probabilistic Models (SDDPM) を提案する。 提案手法は,生成タスクの最先端化を実現し,他のSNNベース生成モデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-06-29T15:43:06Z)
• Spiking Neural Network for Ultra-low-latency and High-accurate Object Detection [18.037802439500858]
  スパイキングニューラルネットワーク(SNN)は、そのエネルギー効率と脳にインスパイアされたイベント駆動特性に対する幅広い関心を集めている。 Spiking-YOLOのような最近の手法では、SNNをより困難なオブジェクト検出タスクに拡張している。 レイテンシが高く、検出精度が低いため、レイテンシに敏感なモバイルプラットフォームへのデプロイが困難になることが多い。
  論文  参考訳（メタデータ） (2023-06-21T04:21:40Z)
• 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)
• A Fully Spiking Hybrid Neural Network for Energy-Efficient Object Detection [6.792495874038191]
  エネルギー効率とロバストな物体検出のための完全スパイクハイブリッドニューラルネットワーク(fshnn) ネットワークアーキテクチャは、漏洩統合型ニューロンモデルを用いた畳み込みSNNに基づいている。
  論文  参考訳（メタデータ） (2021-04-21T18:39:32Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• 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)

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。