論文の概要: EECD-Net: Energy-Efficient Crack Detection with Spiking Neural Networks and Gated Attention

• arxiv url: http://arxiv.org/abs/2506.04526v1
• Date: Thu, 05 Jun 2025 00:19:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.468598
• Title: EECD-Net: Energy-Efficient Crack Detection with Spiking Neural Networks and Gated Attention
• Title（参考訳）: EECD-Net:スパイクニューラルネットワークによるエネルギー効率の良いき裂検出とGated Attention
• Authors: Shuo Zhang,
• Abstract要約: 本稿では,道路亀裂検出のための多段階検出手法であるEECD-Netを提案する。 SRCNN(Super-Resolution Convolutional Neural Network)は、低画質画像に固有の課題に対処するために用いられる。 これらの画像をスパースパルスシーケンスに変換するために,CIF(Continuous Integrate-and-Fire)ニューロンを用いたSCU(Spike Convolution Unit)を提案する。 CrackVision12Kベンチマークの実験では、EECD-Netは98.6%の精度で検出された。
• 参考スコア（独自算出の注目度）: 6.723950151272841
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crack detection on road surfaces is a critical measurement technology in the instrumentation domain, essential for ensuring infrastructure safety and transportation reliability. However, due to limited energy and low-resolution imaging, smart terminal devices struggle to maintain real-time monitoring performance. To overcome these challenges, this paper proposes a multi-stage detection approach for road crack detection, EECD-Net, to enhance accuracy and energy efficiency of instrumentation. Specifically, the sophisticated Super-Resolution Convolutional Neural Network (SRCNN) is employed to address the inherent challenges of low-quality images, which effectively enhance image resolution while preserving critical structural details. Meanwhile, a Spike Convolution Unit (SCU) with Continuous Integrate-and-Fire (CIF) neurons is proposed to convert these images into sparse pulse sequences, significantly reducing power consumption. Additionally, a Gated Attention Transformer (GAT) module is designed to strategically fuse multi-scale feature representations through adaptive attention mechanisms, effectively capturing both long-range dependencies and intricate local crack patterns, and significantly enhancing detection robustness across varying crack morphologies. The experiments on the CrackVision12K benchmark demonstrate that EECD-Net achieves a remarkable 98.6\% detection accuracy, surpassing state-of-the-art counterparts such as Hybrid-Segmentor by a significant 1.5\%. Notably, the EECD-Net maintains exceptional energy efficiency, consuming merely 5.6 mJ, which is a substantial 33\% reduction compared to baseline implementations. This work pioneers a transformative approach in instrumentation-based crack detection, offering a scalable, low-power solution for real-time, large-scale infrastructure monitoring in resource-constrained environments.
• Abstract（参考訳）: 道路面のき裂検出は設備領域において重要な計測技術であり,インフラの安全確保と交通機関の信頼性確保に不可欠である。 しかし、限られたエネルギーと低解像度イメージングのため、スマート端末デバイスはリアルタイム監視性能を維持するのに苦労している。 これらの課題を克服するために,道路亀裂検出のための多段階検出手法であるEECD-Netを提案し,機器の精度とエネルギー効率を向上させる。 具体的には、高精細な超解像畳み込みニューラルネットワーク(SRCNN)を用いて、低品質画像の固有の課題に対処し、重要な構造的詳細を保存しながら、画像の解像度を効果的に向上する。 一方、CIF(Continuous Integrate-and-Fire)ニューロンを持つスパイク・コンボリューション・ユニット(SCU)は、これらの画像をスパースパルスシーケンスに変換し、消費電力を大幅に削減する。 さらに、GATモジュールは、適応的な注意機構を通じてマルチスケールの特徴表現を戦略的に融合させ、長距離依存性と複雑な局所き裂パターンの両方を効果的に捕捉し、様々なき裂形態にわたって検出ロバスト性を大幅に向上させるように設計されている。 CrackVision12Kベンチマークの実験では、EECD-Netは98.6倍の精度で検出でき、Hybrid-Segmentorのような最先端の手法を1.5倍の精度で上回っている。 特に、EECD-Netは例外的なエネルギー効率を維持しており、5.6mJしか消費していない。 この研究は、リソース制約のある環境でのリアルタイムで大規模インフラストラクチャ監視のためのスケーラブルで低消費電力なソリューションを提供する、機器ベースの亀裂検出における変革的なアプローチの先駆者である。

関連論文リスト

• Towards Stabilized and Efficient Diffusion Transformers through Long-Skip-Connections with Spectral Constraints [51.83081671798784]
  Diffusion Transformers (DiT) は、画像およびビデオ生成のための強力なアーキテクチャとして登場し、優れた品質とスケーラビリティを提供している。 DiTの実用アプリケーションは本質的に動的特徴不安定性に悩まされており、キャッシュされた推論中にエラーを増幅する。 本研究では,Long-Skip-Connections (LSC) で拡張された新しい DiT バリアントである Skip-DiT を提案する。
  論文  参考訳（メタデータ） (2024-11-26T17:28:10Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• FemtoDet: An Object Detection Baseline for Energy Versus Performance Tradeoffs [27.006082622843653]
  常にオンの監視カメラのような畳み込みニューラルネットワークの視覚応用は、エネルギー制約にとって重要である。 本稿では,2つの視点からエネルギーと性能のトレードオフに到達するための検出器を設計し,ベースラインとして機能することを目的とする。
  論文  参考訳（メタデータ） (2023-01-17T06:24:08Z)
• Asymmetric CNN for image super-resolution [102.96131810686231]
  深層畳み込みニューラルネットワーク(CNN)は、過去5年間で低レベルビジョンに広く適用されています。 画像超解像のための非対称ブロック(AB)、mem?ory拡張ブロック(MEB)、高周波数特徴強調ブロック(HFFEB)からなる非対称CNN(ACNet)を提案する。 我々のACNetは、ブラインドノイズの単一画像超解像(SISR)、ブラインドSISR、ブラインドSISRを効果的に処理できる。
  論文  参考訳（メタデータ） (2021-03-25T07:10:46Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)

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。