論文の概要: Line-based Event Preprocessing: Towards Low-Energy Neuromorphic Computer Vision

• arxiv url: http://arxiv.org/abs/2601.10742v1
• Date: Sat, 10 Jan 2026 12:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.223477
• Title: Line-based Event Preprocessing: Towards Low-Energy Neuromorphic Computer Vision
• Title（参考訳）: ラインベースイベント前処理:低エネルギーニューロモルフィックコンピュータビジョンを目指して
• Authors: Amélie Gruel, Pierre Lewden, Adrien F. Vincent, Sylvain Saïghi,
• Abstract要約: 行ベースのイベントデータ前処理を導入するために,終端から終端までのニューロモーフィックライン検出機構を提案する。 本結果は,前処理による3つのベンチマークイベントベースデータセットにおいて,エネルギー消費と分類性能のトレードオフが有利であることを示す。
• 参考スコア（独自算出の注目度）: 1.2599533416395765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuromorphic vision made significant progress in recent years, thanks to the natural match between spiking neural networks and event data in terms of biological inspiration, energy savings, latency and memory use for dynamic visual data processing. However, optimising its energy requirements still remains a challenge within the community, especially for embedded applications. One solution may reside in preprocessing events to optimise data quantity thus lowering the energy cost on neuromorphic hardware, proportional to the number of synaptic operations. To this end, we extend an end-to-end neuromorphic line detection mechanism to introduce line-based event data preprocessing. Our results demonstrate on three benchmark event-based datasets that preprocessing leads to an advantageous trade-off between energy consumption and classification performance. Depending on the line-based preprocessing strategy and the complexity of the classification task, we show that one can maintain or increase the classification accuracy while significantly reducing the theoretical energy consumption. Our approach systematically leads to a significant improvement of the neuromorphic classification efficiency, thus laying the groundwork towards a more frugal neuromorphic computer vision thanks to event preprocessing.
• Abstract（参考訳）: 近年、生物学的インスピレーション、省エネ、遅延、動的ビジュアルデータ処理のためのメモリ使用という観点から、スパイクニューラルネットワークとイベントデータとの自然な一致のおかげで、ニューロモルフィックビジョンは大きな進歩を遂げた。 しかしながら、特に組み込みアプリケーションにおいて、エネルギー要件の最適化はコミュニティ内で依然として課題である。 1つの解決策は、データ量を最適化するために前処理イベントに存在するため、シナプス演算の数に比例して、ニューロモルフィックハードウェアのエネルギーコストを下げることができる。 この目的のために、行ベースのイベントデータ前処理を導入するために、終端から終端までのニューロモルフィックライン検出機構を拡張した。 本結果は,前処理による3つのベンチマークイベントベースデータセットを用いて,エネルギー消費と分類性能のトレードオフをもたらすことを示す。 行ベースの前処理戦略と分類作業の複雑さにより,理論的なエネルギー消費を著しく低減しつつ,分類精度を維持・向上できることを示す。 本手法は, ニューロモルフィックの分類効率を大幅に向上させるため, イベント前処理により, より軽快なニューロモルフィックコンピュータビジョンに向けた基礎研究が進められる。

関連論文リスト

• Energy-based Autoregressive Generation for Neural Population Dynamics [12.867288040044501]
  本稿では,潜在空間における時間ダイナミクスを学習するエネルギーベースのトランスフォーマーを利用した,エネルギーベースの自己回帰生成フレームワークを提案する。 EAGは、計算効率が大幅に向上し、最先端の発電品質を達成できることを示す。 これらの結果は、神経科学研究や神経工学に応用した神経集団動態に対するエネルギーベースモデリングの有効性を示す。
  論文  参考訳（メタデータ） (2025-11-18T07:11:29Z)
• Context-aware Sparse Spatiotemporal Learning for Event-based Vision [0.012972287044966184]
  イベントベースのカメラは、ロボット知覚のための有望なパラダイムとして登場し、高時間分解能、高ダイナミックレンジ、動きのぼかしに対する堅牢性といった利点を提供している。 既存のディープラーニングベースのイベント処理手法では、イベントデータのスパースな性質を完全に活用できないことが多い。 入力分布に基づいてニューロンの活性化を動的に制御するコンテキスト認識しきい値処理を導入した新しいフレームワークであるコンテキスト認識スパース時空間学習(CSSL)を提案する。
  論文  参考訳（メタデータ） (2025-08-27T11:48:03Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
  本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。 また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• Asynchronous Bioplausible Neuron for SNN for Event Vision [1.7942265700058986]
  Spiking Neural Networks (SNN) は、生物学的にインスパイアされたコンピュータビジョンのアプローチを提供する。 ABN(Asynchronous Bioplausible Neuron)は、入力信号の変動を自動的に調整する動的スパイク発火機構である。 様々なデータセットの包括的評価は、画像分類とセグメンテーションにおけるABNの強化された性能を示す。
  論文  参考訳（メタデータ） (2023-11-20T15:45:16Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Spiking neural network for nonlinear regression [68.8204255655161]
  スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。 彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。 スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T13:04:45Z)
• Spiking Neural Networks for Frame-based and Event-based Single Object Localization [26.51843464087218]
  スパイクニューラルネットワークは、人工ニューラルネットワークに代わるエネルギー効率の高い代替手段として、多くの可能性を示してきた。 代用勾配降下法を用いて学習した単一物体の局所化に対するスパイクニューラルネットワークアプローチを提案する。 提案手法を類似の人工知能ニューラルネットワークと比較した結果, 精度, 各種汚損対策, エネルギー消費量の低減が得られた。
  論文  参考訳（メタデータ） (2022-06-13T22:22:32Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• Understanding the Effects of Data Parallelism and Sparsity on Neural Network Training [126.49572353148262]
  ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。 有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
  論文  参考訳（メタデータ） (2020-03-25T10:49:22Z)

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。