論文の概要: STEMNIST: Spiking Tactile Extended MNIST Neuromorphic Dataset

• arxiv url: http://arxiv.org/abs/2601.01658v1
• Date: Sun, 04 Jan 2026 20:26:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.625271
• Title: STEMNIST: Spiking Tactile Extended MNIST Neuromorphic Dataset
• Title（参考訳）: STEMNIST:スパイキング触覚拡張MNISTニューロモルフィックデータセット
• Authors: Anubhab Tripathi, Li Gaishan, Zhengnan Fu, Chiara Bartolozzi, Bert E. Shi, Arindam Basu,
• Abstract要約: STEMNISTは、ST-MNISTを10桁から35の英数字クラスに拡張した大規模なニューロモルフィックな触覚データセットである。 このデータセットは、34人の参加者から収集された7700個のサンプルで構成され、120Hzで動作するカスタム触覚センサーアレイを使用している。
• 参考スコア（独自算出の注目度）: 6.8584962606447535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tactile sensing is essential for robotic manipulation, prosthetics and assistive technologies, yet neuromorphic tactile datasets remain limited compared to their visual counterparts. We introduce STEMNIST, a large-scale neuromorphic tactile dataset extending ST-MNIST from 10 digits to 35 alphanumeric classes (uppercase letters A--Z and digits 1--9), providing a challenging benchmark for event-based haptic recognition. The dataset comprises 7,700 samples collected from 34 participants using a custom \(16\times 16\) tactile sensor array operating at 120 Hz, encoded as 1,005,592 spike events through adaptive temporal differentiation. Following EMNIST's visual character recognition protocol, STEMNIST addresses the critical gap between simplified digit classification and real-world tactile interaction scenarios requiring alphanumeric discrimination. Baseline experiments using conventional CNNs (90.91% test accuracy) and spiking neural networks (89.16%) establish performance benchmarks. The dataset's event-based format, unrestricted spatial variability and rich temporal structure makes it suitable for testing neuromorphic hardware and bio-inspired learning algorithms. STEMNIST enables reproducible evaluation of tactile recognition systems and provides a foundation for advancing energy-efficient neuromorphic perception in robotics, biomedical engineering and human-machine interfaces. The dataset, documentation and codes are publicly available to accelerate research in neuromorphic tactile computing.
• Abstract（参考訳）: 触覚は、ロボット操作、補綴、補助技術に欠かせないが、ニューロモルフィックな触覚データセットは視覚的データセットと比較して制限されている。 STEMNISTは,ST-MNISTを10桁から35桁に拡張した大規模ニューロモルフィック触覚データセットである。 このデータセットは、120Hzで動作するカスタムの16\times 16\)触覚センサアレイを使用して、34人の被験者から収集された7,700のサンプルで構成され、適応時間差による1,005,592のスパイクイベントとして符号化されている。 EMNISTの視覚的文字認識プロトコルに従って、STEMNISTは、単純化された桁分類と、アルファ数値識別を必要とする実世界の触覚相互作用シナリオの間の臨界ギャップに対処する。 従来のCNN(90.91%のテスト精度)とスパイクニューラルネットワーク(89.16%)によるベースライン実験は、パフォーマンスベンチマークを確立している。 データセットのイベントベースのフォーマット、制限のない空間変数と豊富な時間構造は、ニューロモルフィックなハードウェアとバイオインスパイアされた学習アルゴリズムをテストするのに適している。 STEMNISTは、触覚認識システムの再現可能な評価を可能にし、ロボット工学、バイオメディカルエンジニアリング、ヒューマン・マシン・インタフェースにおけるエネルギー効率の高いニューロモルフィック認識を促進する基盤を提供する。 データセット、ドキュメント、およびコードは、ニューロモルフィックな触覚コンピューティングの研究を加速するために公開されている。

関連論文リスト

• SensorLM: Learning the Language of Wearable Sensors [50.95988682423808]
  本稿では,自然言語によるウェアラブルセンサデータ理解を可能にするセンサ言語基盤モデルのファミリーであるSensorLMを紹介する。 本稿では,センサデータから統計的,構造的,意味的な情報を収集する階層的なキャプション生成パイプラインを提案する。 このアプローチにより、これまでで最大のセンサー言語データセットのキュレーションが可能となり、103,000人以上から5970万時間以上のデータを収集した。
  論文  参考訳（メタデータ） (2025-06-10T17:13:09Z)
• emg2qwerty: A Large Dataset with Baselines for Touch Typing using Surface Electromyography [47.160223334501126]
  emg2qwertyは、QWERTYキーボードでタッチ入力しながら手首に記録された非侵襲的筋電図信号の大規模なデータセットである。 1,135のセッションが108ユーザと346時間の録画にまたがっており、これまでで最大の公開データセットである。 sEMG信号のみを用いたキープレッシャの予測において,高いベースライン性能を示す。
  論文  参考訳（メタデータ） (2024-10-26T05:18:48Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
  本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。 我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-14T17:05:59Z)
• Object recognition for robotics from tactile time series data utilising different neural network architectures [0.0]
  本稿では,コンボリューショナルニューラルネットワーク(CNN)とLong-Short Term Memory(LSTM)ニューラルネットワークアーキテクチャを用いて,触覚データに基づくオブジェクト分類を行う。 我々は,2種類の指先センサ(BioTac SPとWTS-FT)のデータを用いて,これらの手法を比較した。 提案手法は,全時系列データを用いた最大精度を82.4% (BioTac SP fingertips) と90.7% (WTS-FT fingertips) から約94% に改善した。
  論文  参考訳（メタデータ） (2021-09-09T22:05:45Z)
• ST-MNIST -- The Spiking Tactile MNIST Neuromorphic Dataset [13.270250399169104]
  我々は,触覚型ニューロモルフィックセンサアレイに記述した人手による手書き桁を含む,新しいニューロモルフィック・スパイキング・タクティルMNISTデータセットを作成した。 また、既存の人工スパイクとニューラルネットワークモデルを用いて、ST-MNISTデータセットを評価するための最初の取り組みについても述べる。
  論文  参考訳（メタデータ） (2020-05-08T23:44:14Z)

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。