論文の概要: Sequence-SOD: Bio-inspired Sequence-aware Spiking ObjectDetection for Event Cameras

• arxiv url: http://arxiv.org/abs/2607.26703v1
• Date: Wed, 29 Jul 2026 09:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.615211
• Title: Sequence-SOD: Bio-inspired Sequence-aware Spiking ObjectDetection for Event Cameras
• Title（参考訳）: シークエンスSOD:イベントカメラのためのバイオインスパイアされたシークエンス対応スパイク物体検出
• Authors: Katharina Bendig, René Schuster, Didier Stricker,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、スパーススパイクと漏洩膜電位を使用して、脳にインスパイアされたダイナミクスを通じてスパースイベントストリームを補完する。 本稿では,複数の時刻にラベルを含む拡張イベントシーケンスを処理するシーケンス対応SNNオブジェクト検出器Sequence-SODを紹介する。 イベントは短い間隔に蓄積され、時間ステップに離散化され、SSDスタイルのSpikeNetに順次供給され、シーケンス内の間隔で膜電位を保存することにより、独立にリセットされた入力ウィンドウではなく、進化する神経状態によって検出が駆動される。
• 参考スコア（独自算出の注目度）: 18.473324382780756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Event cameras follow a retina-inspired sensing principle, reporting local intensity changes asynchronously with hightemporal resolution and a wide dynamic range. Spiking Neural Networks (SNNs) complement these sparse event streams through brain-inspired dynamics, using sparse spikes and leaky membrane potentials to integrate information over time. However, many SNN object detectors process isolated event intervals with a single label and reset the network state after each prediction, thereby underusing temporal information in continuous event streams. We introduce Sequence-SOD, a sequence-aware SNN object detector that processes extended event sequences containing labels at multiple time points. Events are accumulated into short intervals, discretized into temporal steps, and fed sequentially to an SSD-style Spiking DenseNet while preserving membrane potentials across intervals within a sequence, so that detection is driven by an evolving neural state instead of independently reset input windows. On the Gen1 Automotive Detection Dataset, sequence-aware training improves mAP from 23.38 for single-interval training to 25.30 without augmentation and to 26.88 withevent-data augmentation. The model achieves a theoretical prediction frequency of 40 Hz. Training and evaluating SNN object detectors on extended event sequences improves their ability to exploit temporal cues while preserving the energy-efficiency benefits of sparse spiking computation. The results highlight sequence-aware training as a complementary direction to architectural improvements for event-based SNN detection.
• Abstract（参考訳）: イベントカメラは網膜に触発されたセンシングの原則に従い、局所的な強度変化を高時間分解能と広いダイナミックレンジで非同期に報告する。 スパイキングニューラルネットワーク(SNN)は、スパーススパイクと漏洩膜電位を使用して、脳にインスパイアされたダイナミクスを通じて、これらのスパースイベントストリームを補完する。 しかし、多くのSNNオブジェクト検出器は、単一のラベルで孤立したイベント間隔を処理し、予測後にネットワーク状態をリセットし、連続したイベントストリームにおける時間的情報を利用する。 本稿では,複数の時刻にラベルを含む拡張イベントシーケンスを処理するシーケンス対応SNNオブジェクト検出器Sequence-SODを紹介する。 イベントは短い間隔に蓄積され、時間ステップに離散化され、SSDスタイルのSpike DenseNetに順次供給され、シーケンス内の間隔で膜電位を保存することにより、独立にリセットされた入力ウィンドウではなく、進化する神経状態によって検出が駆動される。 Gen1 Automotive Detection Datasetでは、シーケンス認識トレーニングにより、シングルインターバルトレーニングのmAPが23.38から25.30に向上し、拡張なしで26.88に向上した。 理論予測周波数は40Hzである。 拡張イベントシーケンス上のSNNオブジェクト検出器のトレーニングと評価は、スパーススパイキング計算のエネルギー効率の利点を保ちながら、時間的キューを利用する能力を向上させる。 その結果、イベントベースSNN検出におけるアーキテクチャ改善の補完的な方向性として、シーケンスアウェアトレーニングが強調された。

関連論文リスト

• Bullet Trains: Parallelizing Training of Temporally Precise Spiking Neural Networks [0.7653446907404775]
  SNN(Continuous-time, Event-native Spiking Neural Network)は、スパイクイベントを厳格に処理する。 実践的でエンドツーエンドのトレーニング可能なイベントベースSNNシステムに対する2つの課題に対処する。 まず、並列連想スキャンを用いて複数の入力スパイクを同時に消費し、逐次シミュレーションで最大44倍のスピードアップを発生させる。 第2に、離散時間近似や限定的な解析仮定を使わずに、スパイク時間から機械精度までを計算できる、微分可能なスパイク時間解法を実装した。
  論文  参考訳（メタデータ） (2026-02-27T16:13:55Z)
• S3CE-Net: Spike-guided Spatiotemporal Semantic Coupling and Expansion Network for Long Sequence Event Re-Identification [18.832574469086236]
  イベントカメラは、厳しい照明条件に抵抗し、背景干渉を低減し、高解像度を実現し、顔情報を保護することができる。 本稿では,S3CE-Net(Spike-guided Spatiotemporal Semantic Coupling and Expansion Network)という,簡便な時系列イベントRe-IDモデルを提案する。 S3CE-Netは多くのメインストリームのイベントベースの人物Re-IDデータセットで優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-05-30T09:32:37Z)
• Event Signal Filtering via Probability Flux Estimation [58.31652473933809]
  イベントは、非同期センシングを通じてシーンダイナミクスをキャプチャするための新しいパラダイムを提供するが、その固有のランダム性は、しばしば劣化した信号品質につながる。 したがって、イベント信号フィルタリングは、この内部ランダム性を低減し、多様な取得条件をまたいだ一貫した出力を確保することで、忠実性を高めるために不可欠である。 本稿ではイベント密度フローフィルタ(EDFilter)と呼ばれる生成オンラインフィルタリングフレームワークを紹介する。 実験では、イベントフィルタリング、スーパーレゾリューション、イベントベースの直接追跡といったタスクでEDFilterのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-10T07:03:08Z)
• TSkips: Efficiency Through Explicit Temporal Delay Connections in Spiking Neural Networks [8.13696328386179]
  本稿では、時間的遅延を明示する前向きおよび後向きの接続を含むスパイキングニューラルネットワークを増強するTSkipsを提案する。 これらの接続は、長期的アーキテクチャをキャプチャし、長いシーケンスのスパイクフローを改善する。 4つのイベントベースデータセットにアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-22T18:58:18Z)
• DailyDVS-200: A Comprehensive Benchmark Dataset for Event-Based Action Recognition [51.96660522869841]
  DailyDVS-200は、イベントベースのアクション認識コミュニティに適したベンチマークデータセットである。 実世界のシナリオで200のアクションカテゴリをカバーし、47人の参加者によって記録され、22,000以上のイベントシーケンスで構成されている。 DailyDVS-200には14の属性がアノテートされており、記録されたアクションの詳細なキャラクタリゼーションが保証されている。
  論文  参考訳（メタデータ） (2024-07-06T15:25:10Z)
• AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
  イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。 AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
  論文  参考訳（メタデータ） (2022-03-31T16:21:12Z)
• Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection [63.825781848587376]
  本稿では,離散イベントシーケンス中の異常を検出する1クラスリカレントニューラルネットワークOC4Seqを提案する。 具体的には、OC4Seqは離散イベントシーケンスを遅延空間に埋め込み、異常を容易に検出することができる。
  論文  参考訳（メタデータ） (2020-08-31T04:48:22Z)
• A Prospective Study on Sequence-Driven Temporal Sampling and Ego-Motion Compensation for Action Recognition in the EPIC-Kitchens Dataset [68.8204255655161]
  行動認識はコンピュータビジョンにおける最上位の研究分野の一つである。 エゴモーション記録シーケンスは重要な関連性を持つようになった。 提案手法は,このエゴモーションやカメラの動きを推定して対処することを目的としている。
  論文  参考訳（メタデータ） (2020-08-26T14:44:45Z)
• Multivariate Time Series Classification Using Spiking Neural Networks [7.273181759304122]
  スパイクニューラルネットワークは低消費電力を可能にするため注目されている。 本稿では,時系列をスパース時空間スパイクパターンに変換する符号化方式を提案する。 空間時間パターンを分類する学習アルゴリズムも提案する。
  論文  参考訳（メタデータ） (2020-07-07T15:24:01Z)

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。