論文の概要: Robust PnP on a Neuromorphic Processor for Object Pose Estimation
- arxiv url: http://arxiv.org/abs/2607.16834v1
- Date: Sat, 18 Jul 2026 14:13:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.268503
- Title: Robust PnP on a Neuromorphic Processor for Object Pose Estimation
- Title（参考訳）: 物体姿勢推定のためのニューロモルフィックプロセッサ上のロバストPnP
- Abstract要約: 本稿では,ニューロモルフィックプロセッサ上でのロバストなオブジェクト推定のための新しいニューロモルフィック展開式を提案する。
SNNの主なレイヤがニューロンの原理に従って設計されたイベントデータから2Dランドマークを予測するために、スパイキングニューラルネットワーク(SNN)を使用します。
- 参考スコア（独自算出の注目度）: 12.523102333406166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuromorphic computing is gaining attention in robotic perception due to its higher energy efficiency. While neural network-based methods can more readily exploit the distributed and parallelized structure of neuromorphic computers, crafting neuromorphic solutions for non-learning tasks is less straightforward. This hampers the usage of neuromorphic computing for perception pipelines that depend on both learning and non-learning components, such as object pose estimation (OPE) where state-of-the-art methods use a deep network to predict 2D landmarks and nonlinear optimization to solve perspective-n-point (PnP). In this paper, we propose a novel neuromorphic-deployable formulation for robust PnP, where given outlier-prone 2D-3D correspondences, the object pose with the largest number of inliers is determined. Underpinning our method is a distributed algorithm for robust least squares estimation of rigid body pose that can be executed on a neuromorphic processor. We also design a spiking neural network (SNN) to predict 2D landmarks from event data, where the main layers of the SNN were designed according to the principles of spiking neurons. Overall, our work enables neuromorphic treatment of the major stages of an OPE pipeline, from event sensing and learned landmark prediction, to geometric optimization for robust PnP. Results on neuromophic hardware (Intel Loihi 2) indicate the higher energy efficiency our neuromorphic robust PnP, while achieving competitive accuracy.
- Abstract（参考訳）: ニューロモルフィックコンピューティングは、高いエネルギー効率のためにロボット知覚において注目を集めている。
ニューラルネットワークに基づく手法は、ニューロモルフィックコンピュータの分散および並列化構造をより容易に利用することができるが、非学習タスクのためのニューロモルフィックソリューションを構築することは、容易ではない。
このことは、物体のポーズ推定(OPE)のような学習と非学習の両方に依存する知覚パイプラインに対するニューロモルフィック・コンピューティングの使用を妨げている。
本稿では, 強靭性PnPに対する新規なニューロモルフィック・デプロイタブルな定式化法を提案する。
本手法の基盤となるのは,神経形プロセッサ上で動作可能な剛体ポーズの最小二乗推定のための分散アルゴリズムである。
また、イベントデータから2Dランドマークを予測するために、スパイクニューラルネットワーク(SNN)を設計し、スパイクニューロンの原理に基づいてSNNの主層を設計した。
本研究により,イベントセンシングや学習されたランドマーク予測から,ロバストPnPの幾何最適化に至るまで,OPEパイプラインの主要段階のニューロモルフィック処理が可能となった。
神経症候性ハードウェア (Intel Loihi 2) の成績は, 競争精度を保ちながら, ニューロモルフィックロバストPnPのエネルギー効率が高いことを示している。
関連論文リスト
- NeuroAPS-Net: Neuro-Anatomically Aware Point Cloud Representation for Efficient Alzheimer's Disease Classification [3.896010209171511]
アルツハイマー病(英語: Alzheimer's disease、AD)は、進行性神経変性疾患であり、認知症の主要な原因である。
ほとんどのディープラーニング手法は、計算コストのかかる3D畳み込みニューラルネットワーク(CNN)に依存している。
我々は,領域認識型特徴符号化とROIトークンアグリゲーションを通じて,解剖学的な先行情報を組み込んだ軽量な幾何学的深層学習モデルNeuroAPS-Netを提案する。
論文 参考訳（メタデータ） (2026-04-24T07:09:07Z) - General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。
本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。
この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
論文 参考訳（メタデータ） (2026-01-29T15:08:48Z) - Understanding Artificial Neural Network's Behavior from Neuron Activation Perspective [8.251799609350725]
本稿では,ニューロン活性化ダイナミクスのレンズによるディープニューラルネットワーク(DNN)の複雑な動作について検討する。
本稿では,モデルのニューロン活性化パターンをプロセスとして解析する確率的フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-24T01:01:06Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - SpikingJelly: An open-source machine learning infrastructure platform
for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。
我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文 参考訳（メタデータ） (2023-10-25T13:15:17Z) - Computational and Storage Efficient Quadratic Neurons for Deep Neural
Networks [10.379191500493503]
実験により、提案した二次ニューロン構造は、様々なタスクにおいて優れた計算効率と記憶効率を示すことが示された。
本研究は、2次計算情報の高度活用によって区別される2次ニューロンアーキテクチャを導入する。
論文 参考訳（メタデータ） (2023-06-10T11:25:31Z) - Exploiting Noise as a Resource for Computation and Learning in Spiking
Neural Networks [32.0086664373154]
本研究では,雑音型スパイクニューラルネットワーク(NSNN)とノイズ駆動学習規則(NDL)を紹介する。
NSNNは、スケーラブルでフレキシブルで信頼性の高い計算をもたらす理論的なフレームワークを提供する。
論文 参考訳（メタデータ） (2023-05-25T13:21:26Z) - Toward stochastic neural computing [11.955322183964201]
本稿では,ノイズ入力のストリームをスパイキングニューロンの集団によって変換し,処理するニューラルコンピューティングの理論を提案する。
本手法をIntelのLoihiニューロモルフィックハードウェアに適用する。
論文 参考訳（メタデータ） (2023-05-23T12:05:35Z) - Auto-PINN: Understanding and Optimizing Physics-Informed Neural
Architecture [77.59766598165551]
物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。
本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。
標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
論文 参考訳（メタデータ） (2022-05-27T03:24:31Z) - Learning Physics-Informed Neural Networks without Stacked
Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。
特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。
実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文 参考訳（メタデータ） (2022-02-18T18:07:54Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。