論文の概要: Energy-Efficient Eimeria Parasite Detection Using a Two-Stage Spiking Neural Network Architecture

• arxiv url: http://arxiv.org/abs/2601.00806v1
• Date: Wed, 17 Dec 2025 10:25:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-11 18:48:17.50793
• Title: Energy-Efficient Eimeria Parasite Detection Using a Two-Stage Spiking Neural Network Architecture
• Title（参考訳）: 2段階スパイクニューラルネットワークアーキテクチャを用いたエネルギー効率の良いアイメリア寄生虫検出
• Authors: Ángel Miguel García-Vico, Huseyin Seker, Muhammad Afzal,
• Abstract要約: コクシジア症(Coccidiosis)は、イエメリアの寄生虫によって引き起こされる病気で、鶏肉産業やウサギ産業にとって大きな脅威となっている。 ディープラーニングモデルは高い精度を提供し、その重要なエネルギー消費はリソースに制約のある環境への展開を制限する。 本稿では,事前学習した畳み込みニューラルネットワークをスパイク特徴抽出器に変換する,新しい2段階スパイキングニューラルネットワークアーキテクチャを提案する。 提案したモデルでは新しい最先端のモデルが設定され,98.32%の精度が得られた。
• 参考スコア（独自算出の注目度）: 0.9023122463034331
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Coccidiosis, a disease caused by the Eimeria parasite, represents a major threat to the poultry and rabbit industries, demanding rapid and accurate diagnostic tools. While deep learning models offer high precision, their significant energy consumption limits their deployment in resource-constrained environments. This paper introduces a novel two-stage Spiking Neural Network (SNN) architecture, where a pre-trained Convolutional Neural Network is first converted into a spiking feature extractor and then coupled with a lightweight, unsupervised SNN classifier trained with Spike-Timing-Dependent Plasticity (STDP). The proposed model sets a new state-of-the-art, achieving 98.32\% accuracy in Eimeria classification. Remarkably, this performance is accomplished with a significant reduction in energy consumption, showing an improvement of more than 223 times compared to its traditional ANN counterpart. This work demonstrates a powerful synergy between high accuracy and extreme energy efficiency, paving the way for autonomous, low-power diagnostic systems on neuromorphic hardware.
• Abstract（参考訳）: エメリアの寄生虫によって引き起こされるコクシジオーシスは、急速に正確な診断ツールを必要とし、養鶏業やウサギ産業にとって大きな脅威となっている。 ディープラーニングモデルは高い精度を提供するが、その重要なエネルギー消費は資源に制約のある環境への展開を制限する。 本稿では,事前学習した畳み込みニューラルネットワークをスパイク特徴抽出器に変換し,スパイク・タイミング・依存塑性(STDP)で学習した軽量で教師なしのSNN分類器と結合する,新しい2段階のスパイクニューラルネットワーク(SNN)アーキテクチャを提案する。 提案モデルでは,エメリア分類において98.32\%の精度で新しい最先端のモデルが設定されている。 注目すべきことに、この性能はエネルギー消費の大幅な削減によって達成され、従来のANNに比べて223倍以上の改善が見られた。 この研究は、高い精度と極端なエネルギー効率の強力な相乗効果を示し、ニューロモルフィックハードウェア上で自律的で低消費電力の診断システムを実現する。

関連論文リスト

• Hardware-Aware Fine-Tuning of Spiking Q-Networks on the SpiNNaker2 Neuromorphic Platform [1.210742213461011]
  Spiking Neural Networks(SNN)は、幅広いロボットタスクのためのニューロモルフィックハードウェアに対するレイテンシの低い消費電力と低いマグニチュード推論を約束する。 本稿では,2つの古典的制御課題を解決するために,量子化されたSNNを用いた強化学習(RL)アルゴリズムをエネルギー効率よく実装する。 このネットワークはQ-learningアルゴリズムを用いて訓練され、SpiNNaker2ニューロモルフィックチップに組み込むための微調整と量子化を低ビット(8ビット)の精度で行う。
  論文  参考訳（メタデータ） (2025-07-31T13:49:44Z)
• Spiking Meets Attention: Efficient Remote Sensing Image Super-Resolution with Attention Spiking Neural Networks [86.28783985254431]
  従来の人工ニューラルネットワーク(ANN)の代替手段としてスパイキングニューラルネットワーク(SNN)が登場 本稿では,AID,DOTA,DIORなどのリモートセンシングベンチマークにおいて,最先端の性能を実現するSpikeSRを提案する。
  論文  参考訳（メタデータ） (2025-03-06T09:06:06Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• NiSNN-A: Non-iterative Spiking Neural Networks with Attention with Application to Motor Imagery EEG Classification [6.61139907293775]
  運動画像は脳波(EEG)研究において重要なカテゴリである。 従来のディープラーニングアルゴリズムは、重要な計算要求と高エネルギー利用によって特徴付けられる。 スパイクニューラルネットワーク(SNN)は、有望なエネルギー効率のソリューションとして出現する。
  論文  参考訳（メタデータ） (2023-12-09T19:13:15Z)
• 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)
• SynA-ResNet: Spike-driven ResNet Achieved through OR Residual Connection [10.702093960098104]
  スパイキングニューラルネットワーク(SNN)は、その生物学的忠実さとエネルギー効率のよいスパイク駆動操作を実行する能力のために、脳のような計算にかなりの注意を払っている。 ORRC(Residual Connection)を通じて大量の冗長情報を蓄積する新しいトレーニングパラダイムを提案する。 次に,SynA(SynA)モジュールを用いて冗長情報をフィルタリングし,背骨における特徴抽出を促進するとともに,ショートカットにおけるノイズや無駄な特徴の影響を抑える。
  論文  参考訳（メタデータ） (2023-11-11T13:36:27Z)
• Spikformer: When Spiking Neural Network Meets Transformer [102.91330530210037]
  本稿では,スパイキングニューラルネットワーク(SNN)と自己認識機構という,生物学的にもっとも有効な2つの構造について考察する。 我々は、スパイキング・セルフ・アテンション(SSA)と、スパイキング・トランスフォーマー(Spikformer)という強力なフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-29T14:16:49Z)
• SpikeDyn: A Framework for Energy-Efficient Spiking Neural Networks with Continual and Unsupervised Learning Capabilities in Dynamic Environments [14.727296040550392]
  スパイキングニューラルネットワーク(SNN)は、生物学的妥当性のため、効率的な教師なしおよび継続的な学習能力の可能性を秘めている。 動的環境下での継続学習と教師なし学習機能を備えたエネルギー効率の高いSNNのためのフレームワークであるSpikeDynを提案する。
  論文  参考訳（メタデータ） (2021-02-28T08:26:23Z)

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。