論文の概要: Spiking Neural Networks for Energy-Efficient Object Detection in Forward-Looking Sonar Imagery

• arxiv url: http://arxiv.org/abs/2608.22072v1
• Date: Sat, 22 Aug 2026 18:31:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.581008
• Title: Spiking Neural Networks for Energy-Efficient Object Detection in Forward-Looking Sonar Imagery
• Title（参考訳）: 前向きソナー画像におけるエネルギー効率の良い物体検出のためのスパイクニューラルネットワーク
• Abstract要約: スパイクニューラルネットワーク(SNN)はバイナリスパイクアクティベーションに依存しており、そのため蓄積のみの操作は少ない。 SpikeYOLOは3つのソナーオブジェクト検出データセットに基づいて、最先端のCNNベースラインに対してベンチマークされる。
• 参考スコア（独自算出の注目度）: 0.006486143522483092
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous underwater vehicles (AUVs) are increasingly important tools in industries ranging from research, to energy, to defense. AUVs are power-constrained platforms operating in remote environments with fixed battery capacities, where propulsion competes with compute and sensors for power over lengthy mission durations. AUVs frequently operate in dark or turbid waters where optical sensing is of limited value, and rely on sonar as their primary sensing modality. Convolutional neural networks (CNNs) are the state-of-the-art solution for object detection in forward-looking sonar imagery, but are energy expensive (e.g. YOLOv8m: 322 mJ/inference). Spiking neural networks (SNNs) rely on binary spike activations and thus sparse accumulate-only operations, allowing them to be remarkably energy efficient, particularly when paired with dedicated neuromorphic hardware. The sparse, high-contrast structure of forward-looking sonar (FLS) returns is structurally matched to spike coding in a way that optical imagery is not. No prior work has assessed the suitability of SNNs for object detection in FLS imagery. SpikeYOLO, a fully spiking network trained with surrogate gradients, was benchmarked against state-of-the-art CNN baselines on three FLS object detection datasets. Key results: SpikeYOLO T=2 achieves 3.3$\times$ lower theoretical compute energy on UATD (97 vs 322 mJ) at competitive accuracy (0.529 mAP@0.5:0.95 vs. YOLOv8m's 0.575); SpikeYOLO matches YOLOv8m on mAP@0.5 and outperforms YOLO-SONAR and Fast R-CNN baselines on the sparse Marine-Debris-FLS dataset at 4.4$\times$ lower energy; SpikeYOLO demonstrates superior robustness to multiplicative speckle noise (3.0% degradation at $σ{=}0.4$ vs. 8.9% for YOLOv8m), outperforming YOLOv8m outright at $σ{=}0.6$, directly relevant to real-world FLS deployment.
• Abstract（参考訳）: 自律型水中車両(AUV)は、研究、エネルギー、防衛といった産業において、ますます重要なツールになりつつある。 AUVは遠隔環境で稼働する電力に制約のあるプラットフォームで、バッテリー容量が固定されている。 AUVは光学的センシングが限られた暗海や濁った海域で頻繁に動作し、ソナーを主感知モードとして依存する。 畳み込みニューラルネットワーク(CNN)は、前方のソナー画像における物体検出のための最先端のソリューションであるが、エネルギーコストが高い(例:YOLOv8m:322 mJ/推論)。 スパイキングニューラルネットワーク(SNN)はバイナリスパイクアクティベーションに依存しており、そのため蓄積のみの操作は少ないため、特に専用のニューロモルフィックハードウェアと組み合わせることで、エネルギー効率が著しく向上する。 前向きソナー(FLS)リターンのスパースで高コントラスト構造は、光学画像がそうでない方法でスパイク符号化と構造的に一致している。 FLS画像におけるオブジェクト検出のためのSNNの適合性を評価する以前の研究はない。 代理勾配でトレーニングされた完全なスパイクネットワークであるSpikeYOLOは、3つのFLSオブジェクト検出データセットの最先端CNNベースラインに対してベンチマークされた。 主な結果: SpikeYOLO T=2 は、競合精度で UATD (97 vs 322 mJ) の低い理論計算エネルギー(0.529 mAP@0.5:0.95 vs. YOLOv8m's 0.575)、 SpikeYOLO match YOLOv8m on mAP@0.5 とoutperforms YOLO-SONAR と Fast R-CNN baselines on the sparse Marine-Debris-FLS dataset at 4.4$\times $ lower energy; SpikeYOLO は、$σ{=0.0.4$で3.0%劣化)、YOLO8m=0.9%、 YOLO8m=0.9%、 YOLO8m=0.0.9%、 YOLO8m=0.6$FLS と直接関係のある実世界への展開において、優れた堅牢性を示している。

関連論文リスト

• Seeing Through WiFi: Lightweight Human Pose Estimation with Dynamic Kernel Attention [55.570606479386434]
  WiFiベースのヒューマンポーズ推定(HPE)は、ウェアラブルデバイスを必要とせず、人体の位置や動きの検出と解釈を可能にする。 本稿では、WiFi CSI信号を用いた軽量で効率的なポーズ推定のための新しいフレームワークWiLHPEを提案する。
  論文  参考訳（メタデータ） (2026-07-03T11:04:05Z)
• Neuromorphic LiDAR-based Bird's Eye View Object Detection using Energy-efficient Spiking Neural Networks [1.942428068361014]
  従来の畳み込みニューラルネットワークは強力な検出精度を実現するが、計算集約的である。 本稿では,LiDAR点雲の鳥眼ビュー表現における物体検出のための終端スパイキングエンコーダ・デコーダネットワークを提案する。 ネットワークがデータから直接スパイク表現を学習できるようにすることは、手作りのPoisson、レイテンシ、z軸符号化方式よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-24T23:13:34Z)
• $D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
  リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。 視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。 リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。 D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
  論文  参考訳（メタデータ） (2026-03-17T10:50:36Z)
• A Comparative Study of YOLOv8 to YOLOv11 Performance in Underwater Vision Tasks [0.0]
  YOLOファミリーの1段階検出器は、単一の低遅延ネットワークで局所化と分類を融合するため、魅力的である。 比較操作条件にまたがる2つのデータセットをキュレートする。コーラル病セット(4,480イメージ、18クラス)と魚種セット(7,500イメージ、20クラス)である。 YOLOvs, YOLOv9-s, YOLOv10-s, YOLOv11-sを同一のハイパー参照でトレーニングし, 精度, リコール, mAP50, mAP50-95, 画像毎の推論時間, フレーム毎秒(FPS)を評価する。
  論文  参考訳（メタデータ） (2025-09-16T05:12:59Z)
• YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
  高精度で軽量な物体検出器YOLOv13を提案する。 ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。 また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-21T15:15:03Z)
• SpikeSMOKE: Spiking Neural Networks for Monocular 3D Object Detection with Cross-Scale Gated Coding [40.87826765639894]
  SpikeSMOKEは低出力のモノクル3Dオブジェクト検出のための新しい試みである。 SpikeSMOKEはSMOKEと比較してエネルギー消費を大幅に削減できる。
  論文  参考訳（メタデータ） (2025-06-09T13:20:10Z)
• Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control [59.65431931190187]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上で低レイテンシかつエネルギー効率の意思決定を提供する。 連続制御のためのほとんどの連続制御アルゴリズムは、人工ニューラルネットワーク(ANN)のために設計されている。 このミスマッチはSNNのトレーニングを不安定にし、性能を劣化させる。 離散SNNと連続制御アルゴリズムのギャップを埋める新しいプロキシターゲットフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:08:03Z)
• SU-YOLO: Spiking Neural Network for Efficient Underwater Object Detection [15.935285733525962]
  Spiking Underwater YOLO (SU-YOLO) は水中物体検出のためのスパイキングニューラルネットワーク(SNN)モデルである。 SU-YOLOは、整数加算のみに基づく新しいスパイクベースの水中画像復調手法を取り入れている。 その結果、Su-YOLOのmAPは78.8%、パラメータは6.97M、エネルギー消費は2.98mJであることがわかった。
  論文  参考訳（メタデータ） (2025-03-31T17:59:52Z)
• DSORT-MCU: Detecting Small Objects in Real-Time on Microcontroller Units [1.4447019135112429]
  本稿では,YOLOモデルや一般的なFOMOネットワークを含む,軽量でエネルギー効率の高い物体検出ネットワークに対する適応型タイリング手法を提案する。 提案したタイリングにより,大規模検出モデルと比較して精度が損なわれることなく,低消費電力のMCU上で物体検出が可能となる。
  論文  参考訳（メタデータ） (2024-10-22T07:37:47Z)
• MODIPHY: Multimodal Obscured Detection for IoT using PHantom Convolution-Enabled Faster YOLO [10.183459286746196]
  YOLO Phantomは、史上最小のYOLOモデルのひとつです。 YOLO Phantomは最新のYOLOv8nモデルと同等の精度を実現し、パラメータとモデルサイズを同時に削減する。 実際の有効性は、高度な低照度カメラとRGBカメラを備えたIoTプラットフォーム上で実証され、AWSベースの通知エンドポイントにシームレスに接続される。
  論文  参考訳（メタデータ） (2024-02-12T18:56:53Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)

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。