論文の概要: MS2Edge: Towards Energy-Efficient and Crisp Edge Detection with Multi-Scale Residual Learning in SNNs

• arxiv url: http://arxiv.org/abs/2511.13735v1
• Date: Wed, 05 Nov 2025 15:56:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-23 18:31:12.332021
• Title: MS2Edge: Towards Energy-Efficient and Crisp Edge Detection with Multi-Scale Residual Learning in SNNs
• Title（参考訳）: MS2Edge: SNNにおけるマルチスケール残差学習によるエネルギー効率とCrspエッジ検出に向けて
• Authors: Yimeng Fan, Changsong Liu, Mingyang Li, Yuzhou Dai, Yanyan Liu, Wei Zhang,
• Abstract要約: ニューラルネットワーク(ANN)によるエッジ検出は目覚ましい進歩を遂げているが、2つの大きな課題に直面している。 事前知識のために大規模な余分なデータと複雑な設計を事前訓練する必要があるため、高いエネルギー消費につながる。 我々はMS2ResNetという新しいスパイクバックボーンを構築し、マルチスケールの残差学習を統合し、欠落した境界線を復元し、クリップエッジを生成する。
• 参考スコア（独自算出の注目度）: 12.591111929378906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge detection with Artificial Neural Networks (ANNs) has achieved remarkable prog\-ress but faces two major challenges. First, it requires pre-training on large-scale extra data and complex designs for prior knowledge, leading to high energy consumption. Second, the predicted edges perform poorly in crispness and heavily rely on post-processing. Spiking Neural Networks (SNNs), as third generation neural networks, feature quantization and spike-driven computation mechanisms. They inherently provide a strong prior for edge detection in an energy-efficient manner, while its quantization mechanism helps suppress texture artifact interference around true edges, improving prediction crispness. However, the resulting quantization error inevitably introduces sparse edge discontinuities, compromising further enhancement of crispness. To address these challenges, we propose MS2Edge, the first SNN-based model for edge detection. At its core, we build a novel spiking backbone named MS2ResNet that integrates multi-scale residual learning to recover missing boundary lines and generate crisp edges, while combining I-LIF neurons with Membrane-based Deformed Shortcut (MDS) to mitigate quantization errors. The model is complemented by a Spiking Multi-Scale Upsample Block (SMSUB) for detail reconstruction during upsampling and a Membrane Average Decoding (MAD) method for effective integration of edge maps across multiple time steps. Experimental results demonstrate that MS2Edge outperforms ANN-based methods and achieves state-of-the-art performance on the BSDS500, NYUDv2, BIPED, PLDU, and PLDM datasets without pre-trained backbones, while maintaining ultralow energy consumption and generating crisp edge maps without post-processing.
• Abstract（参考訳）: ニューラルネットワーク(ANN)によるエッジ検出は、目覚ましいprog\-ressを達成したが、2つの大きな課題に直面している。 まず、事前知識のために大規模な余分なデータと複雑な設計を事前訓練する必要があるため、高いエネルギー消費につながる。 第二に、予測されたエッジは鮮明さが悪く、後処理に大きく依存する。 第三世代のニューラルネットワークであるスパイキングニューラルネットワーク(SNN)は、量子化とスパイク駆動型計算機構を備えている。 それらは本質的に、エネルギー効率のよいエッジ検出の強い先行を提供する一方で、その量子化メカニズムは、真のエッジの周りのテクスチャアーティファクト干渉を抑えるのに役立つ。 しかし、結果の量子化誤差は、必然的にスパースエッジの不連続を導入し、クリプネスをさらに強化する。 これらの課題に対処するため、我々は、エッジ検出のための最初のSNNベースモデルであるMS2Edgeを提案する。 その中核となるMS2ResNetと呼ばれる新しいスパイクバックボーンを構築し、マルチスケールの残差学習を統合し、欠損境界線を回復し、クリップエッジを生成すると同時に、I-LIFニューロンと膜ベースのデフォルメショートカット(MDS)を組み合わせて量子化エラーを軽減します。 このモデルは、アップサンプリング中の詳細な再構築を行うSpking Multi-Scale Upsample Block (SMSUB) と、複数の時間ステップにわたってエッジマップを効果的に統合するMimme Average Decoding (MAD) 手法によって補完される。 実験の結果,MS2Edge は ANN の手法より優れ,BSDS500,NYUDv2,BIPED,PLDU,PLDM のデータセットに対して,事前学習したバックボーンを使わずに,超低エネルギー消費を維持しつつ,後処理をせずにクロップエッジマップを生成する。

関連論文リスト

• S$^2$NN: Sub-bit Spiking Neural Networks [53.08060832135342]
  スパイキングニューラルネットワーク(SNN)は、マシンインテリジェンスにエネルギー効率のよいパラダイムを提供する。 最近のバイナリSNNの進歩にもかかわらず、大規模ネットワークではストレージと計算の要求が相当に大きい。 1ビット未満の重みを表すサブビットスパイキングニューラルネットワーク(S$2$NNs)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T04:17:44Z)
• Geminet: Learning the Duality-based Iterative Process for Lightweight Traffic Engineering in Changing Topologies [53.38648279089736]
  Geminetは軽量でスケーラブルなMLベースのTEフレームワークで、トポロジの変更を処理できる。 そのニューラルネットワークサイズは、既存のスキームの0.04%から7%に過ぎない。 大規模なトポロジでトレーニングすると、Geminetは10ギB未満のメモリを消費し、HARPが要求する80ギBの8倍以下である。
  論文  参考訳（メタデータ） (2025-06-30T09:09:50Z)
• Learning to utilize image second-order derivative information for crisp edge detection [16.152236524867078]
  エッジ検出はコンピュータビジョンの基本課題である。 最近のトップパフォーマンスエッジ検出手法は、厚くノイズの多いエッジラインを生成する傾向にある。 本稿では,モデルが真のエッジピクセルを正確に検出するのに役立つ2階微分型マルチスケールコンテキスト拡張モジュール(SDMCM)を提案する。 また、不均衡分布問題を軽減するために、ハイブリッド焦点損失関数(HFL)を構築した。 最後に、エッジ検出のためのSDMCMとBRMに基づくLUS-NetというU字型ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-06-09T13:25:02Z)
• Pursing the Sparse Limitation of Spiking Deep Learning Structures [42.334835610250714]
  スパイキングニューラルネットワーク(SNN)はその優れた計算とエネルギー効率のために注目を集めている。 重量とパッチレベルの当選チケットを同時に識別できる革新的なアルゴリズムを提案する。 我々は, モデル構造が極めて疎い場合でも, スパイキング抽選券が同等あるいは優れた性能を達成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-18T17:00:40Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Learning N:M Fine-grained Structured Sparse Neural Networks From Scratch [75.69506249886622]
  ディープニューラルネットワーク(DNN)におけるスパーシティは、資源制約された環境でモデルを圧縮し、加速するために広く研究されている。 本稿では,N:M細粒構造スパースネットワークのスクラッチからトレーニングを初めて行う。
  論文  参考訳（メタデータ） (2021-02-08T05:55:47Z)
• Traditional Method Inspired Deep Neural Network for Edge Detection [7.125116757822889]
  最小限の複雑さで優れたエッジを生成するために,従来の手法にインスパイアされたフレームワークを提案する。 我々のTIN2(Traditional Inspired Network)モデルは、最近のBDCN2(Bi-Directional Cascade Network)よりも精度が高いが、より小さいモデルである。
  論文  参考訳（メタデータ） (2020-05-28T09:20:37Z)
• Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
  量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。 既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。 本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
  論文  参考訳（メタデータ） (2020-02-03T04:11:13Z)

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。