論文の概要: Spatio-Temporal Cluster-Triggered Encoding for Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2511.08469v1
• Date: Wed, 12 Nov 2025 02:00:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.829203
• Title: Spatio-Temporal Cluster-Triggered Encoding for Spiking Neural Networks
• Title（参考訳）: スパイクニューラルネットワークのための時空間クラスタトリガー符号化
• Authors: Lingyun Ke, Minchi Hu,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は視覚情報を処理し、視覚情報を効率的に処理する。 レート符号化、ポアソン符号化、時間対一スパイク(TTFS)といった既存の符号化方式は、しばしば空間的関係を無視し、時間的に矛盾するスパイクパターンをもたらす。 本稿では,局所密度を利用して空間領域と時間領域のセマンティック構造を保存する,クラスタベースの新しい符号化手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Encoding static images into spike trains is a crucial step for enabling Spiking Neural Networks (SNNs) to process visual information efficiently. However, existing schemes such as rate coding, Poisson encoding, and time-to-first-spike (TTFS) often ignore spatial relationships and yield temporally inconsistent spike patterns. In this article, a novel cluster-based encoding approach is proposed, which leverages local density computation to preserve semantic structure in both spatial and temporal domains. This method introduces a 2D spatial cluster trigger that identifies foreground regions through connected component analysis and local density estimation. Then, extend to a 3D spatio-temporal (ST3D) framework that jointly considers temporal neighborhoods, producing spike trains with improved temporal consistency. Experiments on the N-MNIST dataset demonstrate that our ST3D encoder achieves 98.17% classification accuracy with a simple single-layer SNN, outperforming standard TTFS encoding (97.58%) and matching the performance of more complex deep architectures while using significantly fewer spikes (~3800 vs ~5000 per sample). The results demonstrate that this approach provides an interpretable and efficient encoding strategy for neuromorphic computing applications.
• Abstract（参考訳）: スパイクトレインに静的画像をエンコードすることは、スパイキングニューラルネットワーク(SNN)が視覚情報を効率的に処理するための重要なステップである。 しかし、レートコーディングやポアソン符号化、TTFS(time-to-first-Spike)といった既存のスキームは空間的関係を無視し、時間的に矛盾するスパイクパターンを生成することが多い。 本稿では,局所密度計算を利用して空間領域と時間領域のセマンティック構造を保存するクラスタベースの新しい符号化手法を提案する。 本手法では, 連結成分分析と局所密度推定により前景領域を同定する2次元空間クラスタトリガを提案する。 そして、3次元時空間(ST3D)フレームワークに拡張し、時間的整合性を改善したスパイク列車を生成する。 N-MNISTデータセットの実験により、我々のST3Dエンコーダは、単純な単層SNNによる98.17%の分類精度、標準のTTFS符号化(97.58%)、より複雑なディープアーキテクチャのパフォーマンスをはるかに少ないスパイク(~3800 vs ~5000)で比較した。 その結果、本手法はニューロモルフィックコンピューティングアプリケーションに対して、解釈可能かつ効率的な符号化戦略を提供することを示した。

関連論文リスト

• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Deep Spatiotemporal Clustering: A Temporal Clustering Approach for Multi-dimensional Climate Data [0.353122873734926]
  教師なし深層学習法を用いて,データの高次元時間表現のための新しいアルゴリズムを提案する。 U-netアーキテクチャにインスパイアされたアルゴリズムでは,CNN-RNN層を統合したオートエンコーダを用いて潜在表現を学習する。 実験の結果,従来のクラスタリングアルゴリズムと深層学習に基づくクラスタリングアルゴリズムのどちらよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-27T21:45:21Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• TC-Net: Triple Context Network for Automated Stroke Lesion Segmentation [0.5482532589225552]
  本稿では,空間的コンテキスト情報を中心として,新たなネットワークである Triple Context Network (TC-Net) を提案する。 我々のネットワークはオープンデータセットATLASで評価され、最高スコアは0.594、ハウスドルフ距離は27.005mm、平均対称性表面距離は7.137mmである。
  論文  参考訳（メタデータ） (2022-02-28T11:12:16Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。