論文の概要: QDS-SNN: Energy-efficient Quantum Deeply-Supervised Spiking Neural Network Algorithm for Traffic Sign Recognition

• arxiv url: http://arxiv.org/abs/2606.07657v1
• Date: Wed, 03 Jun 2026 11:07:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.198501
• Title: QDS-SNN: Energy-efficient Quantum Deeply-Supervised Spiking Neural Network Algorithm for Traffic Sign Recognition
• Title（参考訳）: QDS-SNN:トラヒックサイン認識のためのエネルギー効率のよい量子スパイクニューラルネットワークアルゴリズム
• Authors: Zhiguo Qu, Keqi Li, Le Sun, Wenjie Liu, Yimin Yu, Saif Al-Kuwari, Ahmed Farouk,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたエネルギー効率の代替手段を提供する。 本研究では,QDSSNN(Quantum Deep-supervised Spiking Neural Network)を提案する。 量子重ね合わせと絡み合いを用いて、QNNは表現表現と並列計算を可能にする。
• 参考スコア（独自算出の注目度）: 16.96141578287489
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic sign recognition is crucial for intelligent transportation and autonomous driving, as it can improve driving efficiency and ensure road safety. However, traditional recognition methods are based on large datasets and intensive computation, which limits their real-time applicability. Spiking Neural Networks (SNNs) offer a biologically inspired, energy-efficient alternative due to their spatiotemporal processing capabilities, but suffer from information loss and vanishing gradients during training. To overcome these limitations, this study proposes a Quantum Deep-supervised Spiking Neural Network (QDS-SNN) that integrates Quantum Neural Networks (QNNs) for efficient, low-power deep supervision. Using quantum superposition and entanglement, QNNs enable expressive representations and parallel computation, thereby enhancing performance without compromising energy efficiency. The proposed QDS-SNN incorporates a temporally and spatially adaptive LIF (TSA-LIF) neuron and a quantum-assisted classifier module (QACM) to mitigate gradient issues and improve training effectiveness. This study conducts experiments on the PennyLane quantum simulation platform, and the results show that QDS-SNN achieves 99.72\% accuracy on the GTSRB dataset in only 6 time steps -- outperforming the MS-ResNet baseline by 1.32\% while reducing energy consumption by 55.77\%. In the TSRD dataset, it achieves 97.90\% accuracy while reducing energy use to 52.68\% of the baseline. These results demonstrate that QDS-SNN offers a high-performance, energy-efficient solution for traffic sign recognition in intelligent transportation systems.
• Abstract（参考訳）: 交通標識認識は、運転効率を改善し、道路安全を確保することができるため、インテリジェントな交通機関と自動運転にとって不可欠である。 しかし、従来の認識手法は大規模なデータセットと集約的な計算に基づいており、リアルタイム適用性が制限されている。 スパイキングニューラルネットワーク(SNN)は、時空間処理能力のために生物学的にインスパイアされたエネルギー効率の代替手段を提供するが、トレーニング中に情報損失と勾配の消失に悩まされる。 これらの制限を克服するために,量子ニューラルネットワーク(QNN)を統合したQDS-SNN(Quantum Deep-supervised Spiking Neural Network)を提案する。 量子重ね合わせと絡み合わせを用いて、QNNは表現表現と並列計算を可能にし、エネルギー効率を損なうことなく性能を向上させる。 提案するQDS-SNNは、時間的かつ空間的に適応的なLIF(TSA-LIF)ニューロンと量子支援型分類器モジュール(QACM)を組み込んで、勾配問題を緩和し、トレーニング効率を向上させる。 本研究はPennyLane量子シミュレーションプラットフォーム上で実験を行い、QDS-SNNがGTSRBデータセット上でわずか6ステップで99.72 %の精度を達成し、MS-ResNetベースラインを1.32 %上回り、エネルギー消費を55.77 %削減することを示した。 TSRDデータセットでは、97.90\%の精度を達成し、エネルギー使用量を52.68\%に削減している。 これらの結果から,QDS-SNNはインテリジェント交通システムにおいて,信号認識のための高性能でエネルギー効率の高いソリューションを提供することが示された。

関連論文リスト

• SPARQ: Spiking Early-Exit Neural Networks for Energy-Efficient Edge AI [2.2914260353572513]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動型計算モデルにより、固有のエネルギー効率を提供する。 この研究は、スパイキング、量子化対応トレーニング、強化学習誘導早期出口を統合し、効率的で適応的な推論を行う統合フレームワークであるSPARQを提示する。
  論文  参考訳（メタデータ） (2026-03-15T13:38:39Z)
• MD-SNN: Membrane Potential-aware Distillation on Quantized Spiking Neural Network [18.23285395499578]
  スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワークに代わる有望でエネルギー効率の良い代替手段を提供する。 SNNは、複雑な時間的ダイナミクスによるメモリと計算に関する課題に直面している。 量子化スパイキングニューラルネットワーク(MD-SNN)における膜対応蒸留の導入
  論文  参考訳（メタデータ） (2025-12-04T04:27:19Z)
• Efficient Eye-based Emotion Recognition via Neural Architecture Search of Time-to-First-Spike-Coded Spiking Neural Networks [52.617096567601344]
  Time-to-first-Spike (TTFS)で符号化されたスパイクニューラルネットワーク(SNN)は、アイベースの感情認識に有望なソリューションを提供する。 TTFS-ERは、目に基づく感情認識のためにTTFS SNN用に設計された最初のニューラルネットワーク検索フレームワークである。 ニューロモルフィックハードウェア上に展開すると、TNAS-ERは48ミリ秒の低レイテンシと0.05Jのエネルギー消費を達成する。
  論文  参考訳（メタデータ） (2025-12-02T06:35:49Z)
• Differential Coding for Training-Free ANN-to-SNN Conversion [45.70141988713627]
  スパイキングニューラルネットワーク(SNN)は、その低エネルギー消費のために大きな可能性を秘めている。 ニューラルネットワーク(ANN)をSNNに変換することは、高性能なSNNを実現するための効率的な方法である。 本稿では, ANN-to-SNN変換の差分符号化について紹介する。
  論文  参考訳（メタデータ） (2025-03-01T02:17:35Z)
• Quantum-Trained Convolutional Neural Network for Deepfake Audio Detection [3.2927352068925444]
  ディープフェイク技術は プライバシー セキュリティ 情報整合性に 課題をもたらす 本稿では,ディープフェイク音声の検出を強化するために,量子学習型畳み込みニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-11T20:52:10Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• Ultra-low Latency Adaptive Local Binary Spiking Neural Network with Accuracy Loss Estimator [4.554628904670269]
  精度損失推定器を用いた超低レイテンシ適応型局所二元スパイクニューラルネットワーク(ALBSNN)を提案する。 実験の結果,ネットワークの精度を損なうことなく,ストレージ容量を20%以上削減できることがわかった。
  論文  参考訳（メタデータ） (2022-07-31T09:03:57Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• FSpiNN: An Optimization Framework for Memory- and Energy-Efficient Spiking Neural Networks [14.916996986290902]
  スパイキングニューラルネットワーク(SNN)は、スパイクタイピング依存の可塑性(STDP)ルールのために教師なし学習機能を提供する。 しかし、最先端のSNNは高い精度を達成するために大きなメモリフットプリントを必要とする。 トレーニングおよび推論処理のためのメモリ効率とエネルギー効率のよいSNNを得るための最適化フレームワークFSpiNNを提案する。
  論文  参考訳（メタデータ） (2020-07-17T09:40:26Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
  スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。 各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
  論文  参考訳（メタデータ） (2020-01-24T22:58:55Z)

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。