論文の概要: Efficient Perception in Automotive Detection and Tracking Using Neuromorphic Computing

• arxiv url: http://arxiv.org/abs/2607.04921v1
• Date: Mon, 06 Jul 2026 10:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.121116
• Title: Efficient Perception in Automotive Detection and Tracking Using Neuromorphic Computing
• Title（参考訳）: ニューロモーフィックコンピューティングを用いた自動車検出・追跡における効率的な知覚
• Abstract要約: Spiking Neural Networks (SNN)は、従来のフォン・ノイマンアーキテクチャに代わる有望な代替手段を提供する。 本稿では,実世界におけるマルチオブジェクト検出と追跡のためのSNNの総合評価について紹介する。 この結果から,SNNは高速な物体検出・追跡をエネルギー効率よく実現できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning algorithms are notorious for their high carbon footprint and computational demands that limit their deployment on edge devices and raise concerns about their long-term sustainability. Neuromorphic computing and Spiking Neural Networks (SNNs) offer a promising alternative to traditional Von Neumann architectures, providing energy-efficient performance, massively parallel computation, and on-chip learning capabilities. Autonomous machines represent a critical application domain where these advantages are particularly valuable. We present the first comprehensive evaluation of SNNs for real-world automotive multi-object detection and tracking. Using transfer learning with the SpikeYOLO architecture, we achieve mean Average Precision of 0.937 on the KITTI dataset and 0.771 on BDD100K MOT2020 dataset for object detection and a Higher Order Tracking Accuracy score of 0.701 (KITTI) and 0.445 (BDD100K MOT2020) for object tracking--results competitive with conventional deep learning methods. Our results demonstrate that SNNs can deliver high-performance object detection and tracking in an energy efficient manner, establishing their viability for perception in real-world autonomous systems.
• Abstract（参考訳）: ディープラーニングアルゴリズムは、エッジデバイスへのデプロイメントを制限し、長期的な持続可能性への懸念を高める、高いカーボンフットプリントと計算要求で有名です。 ニューロモルフィックコンピューティングとスパイクニューラルネットワーク(SNN)は、従来のフォン・ノイマンアーキテクチャに代わる有望な代替手段を提供する。 自律機械は、これらの利点が特に価値のある重要なアプリケーション領域である。 本稿では,実世界におけるマルチオブジェクト検出と追跡のためのSNNの総合評価について紹介する。 オブジェクト検出のためのBDD100K MOT2020データセットで平均0.937、オブジェクト検出のためのBDD100K MOT2020データセットで平均0.771、オブジェクト追跡のための0.701(KITTI)と0.445(BDD100K MOT2020)を平均0.937の精度で達成する。 この結果から,SNNは高効率な物体検出と追跡をエネルギー効率良く実現し,現実の自律システムにおける認識能力の確立を図っている。

関連論文リスト

• Efficient Memristive Spiking Neural Networks Architecture with Supervised In-Situ STDP Method [0.0]
  時間的スパイクエンコーディングを備えたメムリスタベースのスパイキングニューラルネットワーク(SNN)は、超低エネルギー計算を可能にする。 本稿では,新しい教師付きin-situ学習アルゴリズムを用いて学習した回路レベルのメムリシブ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。
  論文  参考訳（メタデータ） (2025-07-28T17:09:48Z)
• Energy efficiency analysis of Spiking Neural Networks for space applications [43.91307921405309]
  スパイキングニューラルネットワーク(SNN)は理論的に優れたエネルギー効率のために非常に魅力的である。 本研究では,EuroSATデータセットのシーン分類に応用したSNN手法の数値解析と比較を行う。
  論文  参考訳（メタデータ） (2025-05-16T16:29:50Z)
• Enabling Efficient Processing of Spiking Neural Networks with On-Chip Learning on Commodity Neuromorphic Processors for Edge AI Systems [5.343921650701002]
  ニューロモルフィックプロセッサ上のスパイキングニューラルネットワーク(SNN)アルゴリズムは、超低消費電力/エネルギーAI計算を提供する。 本稿では,コモディティニューロモルフィックプロセッサ上での効率的なSNN処理を実現するための設計手法を提案する。
  論文  参考訳（メタデータ） (2025-04-01T16:52:03Z)
• Optimizing Low-Energy Carbon IIoT Systems with Quantum Algorithms: Performance Evaluation and Noise Robustness [22.867189884561768]
  低エネルギーのモノのインターネット(IoT)システムは持続可能な開発に不可欠である。 我々はPennylane(QNN-P)、Qiskit(QNN-Q)、ハイブリッド量子ニューラルネットワーク(QNN-H)の3つの量子アルゴリズムを紹介する。 RODDデータセットでは、QNN-Pが0.95で、QNN-Hが0.91、QNN-Qが0.80で、QNN-Pが0.94、QNN-H 0.87、QNN-Q 0.74で最高精度を達成した。
  論文  参考訳（メタデータ） (2025-03-02T13:13:11Z)
• Short-reach Optical Communications: A Real-world Task for Neuromorphic Hardware [42.043435071139434]
  専用のニューロモルフィックアクセラレーターにエミュレートされたスパイキングニューラルネットワーク(SNN)は、エネルギー効率のよい信号処理を提供する。 ここでは、データセンターで使用される高速光通信システムに関連する、強度変調、直接検出(IM/DD)タスクについて述べる。
  論文  参考訳（メタデータ） (2024-12-04T08:46:55Z)
• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• Active Dendrites Enable Efficient Continual Learning in Time-To-First-Spike Neural Networks [1.7333836118546833]
  活性デンドライトで強化された新しいスパイキングニューラルネットワークモデルを提案する。 我々のモデルは、時間的に符号化されたSNNにおいて破滅的な忘れを効果的に軽減することができる。 エッジデバイスにおける現実的なデプロイメントを実現するための,新たなディジタルハードウェアアーキテクチャを提供する。
  論文  参考訳（メタデータ） (2024-04-30T10:11:03Z)
• PNAS-MOT: Multi-Modal Object Tracking with Pareto Neural Architecture Search [64.28335667655129]
  複数の物体追跡は、自律運転において重要な課題である。 トラッキングの精度が向上するにつれて、ニューラルネットワークはますます複雑になり、レイテンシが高いため、実際の運転シナリオにおける実践的な応用に課題が生じる。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法を用いて追跡のための効率的なアーキテクチャを探索し,比較的高い精度を維持しつつ,低リアルタイム遅延を実現することを目的とした。
  論文  参考訳（メタデータ） (2024-03-23T04:18:49Z)
• Automotive Object Detection via Learning Sparse Events by Spiking Neurons [20.930277906912394]
  スパイキングニューラルネットワーク(SNN)は、本質的にイベントベースのデータと整合した時間的表現を提供する。 自動車のイベントベース物体検出に最適化された特化スパイキング特徴ピラミッドネットワーク(SpikeFPN)を提案する。
  論文  参考訳（メタデータ） (2023-07-24T15:47:21Z)
• NAS-FCOS: Efficient Search for Object Detection Architectures [113.47766862146389]
  簡易なアンカーフリー物体検出器の特徴ピラミッドネットワーク (FPN) と予測ヘッドを探索し, より効率的な物体検出手法を提案する。 慎重に設計された検索空間、検索アルゴリズム、ネットワーク品質を評価するための戦略により、8つのV100 GPUを使用して、4日以内に最高のパフォーマンスの検知アーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2021-10-24T12:20:04Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• 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)
• Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
  慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。 正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。 我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
  論文  参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。