論文の概要: An Event-Driven E-Skin System with Dynamic Binary Scanning and real time SNN Classification

• arxiv url: http://arxiv.org/abs/2603.10537v1
• Date: Wed, 11 Mar 2026 08:42:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.85319
• Title: An Event-Driven E-Skin System with Dynamic Binary Scanning and real time SNN Classification
• Title（参考訳）: 動的バイナリスキャンとリアルタイムSNN分類を用いたイベント駆動型E-Skinシステム
• Authors: Gaishan Li, Zhengnan Fu, Anubhab Tripathi, Junyi Yang, Arindam Basu,
• Abstract要約: 本稿では,電子スキン(e-skin)を用いた高速・イベントスパースサンプリングのための新しいハードウェアシステムを提案する。 このシステムは、16x16の圧抵抗式触覚アレイを前面に配置し、桁を分類するためのイベントベースのバイナリスキャン検索戦略を導入する。 大幅な効率向上にもかかわらず、リアルタイム手書き文字認識では92.11%の高い分類精度を維持している。
• 参考スコア（独自算出の注目度）: 4.939047188463064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel hardware system for high-speed, event-sparse sampling-based electronic skin (e-skin)that integrates sensing and neuromorphic computing. The system is built around a 16x16 piezoresistive tactile array with front end and introduces a event-based binary scan search strategy to classify the digits. This event-driven strategy achieves a 12.8x reduction in scan counts, a 38.2x data compression rate and a 28.4x equivalent dynamic range, a 99% data sparsity, drastically reducing the data acquisition overhead. The resulting sparse data stream is processed by a multi-layer convolutional spiking neural network (Conv-SNN) implemented on an FPGA, which requires only 65% of the computation and 15.6% of the weight storage relative to a CNN. Despite these significant efficiency gains, the system maintains a high classification accuracy of 92.11% for real-time handwritten digit recognition. Furthermore, a real neuromorphic tactile dataset using Address Event Representation (AER) is constructed. This work demonstrates a fully integrated, event-driven pipeline from analog sensing to neuromorphic classification, offering an efficient solution for robotic perception and human-computer interaction.
• Abstract（参考訳）: 本稿では,センサとニューロモルフィックコンピューティングを統合した,高速でイベントスパースなサンプリングベース電子スキン(e-skin)のハードウェアシステムを提案する。 このシステムは、16x16の圧抵抗式触覚アレイを前面に配置し、桁を分類するためのイベントベースのバイナリスキャン検索戦略を導入する。 このイベント駆動型戦略は、スキャン数12.8倍の削減、38.2倍のデータ圧縮率、28.4倍のダイナミックレンジ、99%のデータ分散を実現し、データ取得オーバーヘッドを大幅に削減する。 結果として得られるスパースデータストリームは、FPGA上に実装された多層畳み込みスパイクニューラルネットワーク(Conv-SNN)によって処理される。 これらの大幅な効率向上にもかかわらず、リアルタイム手書き文字認識では92.11%の高い分類精度を維持している。 さらに、アドレスイベント表現(AER)を用いた実際のニューロモルフィックな触覚データセットを構築する。 この研究は、アナログセンシングからニューロモルフィック分類まで、完全に統合されたイベント駆動パイプラインを示し、ロボット知覚と人間とコンピュータの相互作用の効率的なソリューションを提供する。

関連論文リスト

• Hardware-accelerated graph neural networks: an alternative approach for neuromorphic event-based audio classification and keyword spotting on SoC FPGA [12.261656409413753]
  音声処理のための事象グラフニューラルネットワークのFPGA実装 システムは最大95%のワードエンド検出精度を実現し、10.53マイクロ秒のレイテンシと1.18Wの消費電力しか持たない。
  論文  参考訳（メタデータ） (2026-02-18T13:26:22Z)
• I2E: Real-Time Image-to-Event Conversion for High-Performance Spiking Neural Networks [5.758857776572054]
  スパイキングニューラルネットワーク(SNN)はエネルギー効率の高い計算を約束するが、その採用はイベントストリームデータの重大な不足によって妨げられる。 静的画像を高忠実度イベントストリームに変換することで、このボトルネックを解決するアルゴリズムフレームワークであるI2Eを導入する。 I2Eは、従来の手法よりも300倍高速な変換速度を実現し、SNNトレーニングのオンザフライデータ拡張を可能にする。 生成されたI2E-ImageNetデータセットに基づいてトレーニングされたSNNは、最先端の精度が60.50%に達する。
  論文  参考訳（メタデータ） (2025-11-11T10:05:17Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• PLEIADES: Building Temporal Kernels with Orthogonal Polynomials [6.2921559513184695]
  本稿では,基本関数から発生する時間的カーネルを含むPLEIA(Lynomial Expansion In Adaptive Distributed Event Systems)というニューラルネットワークのクラスを紹介する。 低レイテンシでオンライン分類と検出を行うために、これらのネットワークをイベントベースのデータで相互接続することに重点を置いている。
  論文  参考訳（メタデータ） (2024-05-20T17:06:24Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• Attention-based Feature Compression for CNN Inference Offloading in Edge Computing [93.67044879636093]
  本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。 エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。 実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T18:10:01Z)
• A Novel Approach For Analysis of Distributed Acoustic Sensing System Based on Deep Transfer Learning [0.0]
  畳み込みニューラルネットワークは、空間情報を抽出するための非常に有能なツールである。 LSTM(Long-Short term memory)は、シーケンシャルデータを処理するための有効な機器である。 我々のフレームワークのVGG-16アーキテクチャは、50のトレーニングで100%の分類精度が得られる。
  論文  参考訳（メタデータ） (2022-06-24T19:56:01Z)
• 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)
• Binary DAD-Net: Binarized Driveable Area Detection Network for Autonomous Driving [94.40107679615618]
  本稿では,二項化駆動型領域検出ネットワーク(バイナリDAD-Net)を提案する。 エンコーダ、ボトルネック、デコーダ部分の2重みとアクティベーションのみを使用する。 パブリックデータセット上で、最先端のセマンティックセグメンテーションネットワークより優れています。
  論文  参考訳（メタデータ） (2020-06-15T07:09:01Z)

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。