論文の概要: ANTShapes Benchmarking Datasets for Event-Based Neuromorphic Object Classification

• arxiv url: http://arxiv.org/abs/2608.27150v1
• Date: Thu, 27 Aug 2026 14:02:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.437387
• Title: ANTShapes Benchmarking Datasets for Event-Based Neuromorphic Object Classification
• Title（参考訳）: ANTShapesがイベントベースニューロモーフィックオブジェクト分類のためのベンチマークデータセットを公開
• Abstract要約: イベントベースのオブジェクト分類は、セキュリティと応用コンピュータビジョンの分野における基本的なタスクである。 ニューロモルフィックデバイスをホストするスパイクニューラルネットワーク(SNN)の使用は、従来のアプローチで発生するいくつかの問題を解決する。 イベントベースのオブジェクト分類手法の研究は、使用する高品質な視覚データセットの欠如によって妨げられている。
• 参考スコア（独自算出の注目度）: 3.1764251750679793
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Object classification in event-based computer vision is a task that is attracting considerable research attention. Event-based object classification is a fundamental task in the fields of security and applied computer vision, which typically use synchronous frame-based cameras and computing pipelines for operation. This approach has several practical flaws. The size, weight and power consumption of the device could prohibit deployment at the extreme edge or in covert sensing environments. Besides this, there are security concerns inherent in cloud-based or other off-device computation approaches due to the requirement of sending and receiving potentially sensitive data. Furthermore, this transmission of data introduces latency and requires consistent connectivity to the cloud infrastructure to function. The use of Spiking Neural Networks (SNNs) hosted on neuromorphic devices attempts to solve several issues present in this conventional approach. Research into event-based object classification methods are hindered by the lack of high-quality vision datasets to use. To this end, the ANTShapes simulation tool has been previously proposed to create and label event-based vision datasets. In this paper, four novel datasets of varying difficulties are created using the tool and are benchmarked against existing spiking datasets commonly used for event-based vision research (N-MNIST, CIFAR10-DVS, DVSGesture and POKER-DVS). Classification is performed using a convolutional SNN. This work simultaneously provides four datasets with rich details for future experiments to use and validates the output of the ANTShapes dataset simulation tool as being suitable for its purpose.
• Abstract（参考訳）: イベントベースのコンピュータビジョンにおけるオブジェクト分類は、かなりの研究の注目を集めている課題である。 イベントベースのオブジェクト分類は、セキュリティと応用コンピュータビジョンの分野における基本的なタスクであり、通常は同期フレームベースのカメラと演算パイプラインを使用する。 このアプローチにはいくつかの実用上の欠陥がある。 デバイスのサイズ、重量、消費電力は、極端のエッジや秘密のセンサー環境への展開を禁止できる。 さらに、潜在的に機密性の高いデータを送信して受信する必要があるため、クラウドベースや他のデバイス外の計算アプローチに固有のセキュリティ上の懸念がある。 さらに、データの送信はレイテンシを導入し、機能するためにはクラウドインフラストラクチャとの一貫性のある接続が必要である。 ニューロモルフィックデバイスをホストするスパイクニューラルネットワーク(SNN)の使用は、従来のアプローチで発生するいくつかの問題を解決する。 イベントベースのオブジェクト分類手法の研究は、使用する高品質な視覚データセットの欠如によって妨げられている。 この目的のために、ANTShapesシミュレーションツールは以前、イベントベースのビジョンデータセットの作成とラベル付けのために提案されていた。 本稿では、このツールを用いて、様々な難易度を示す4つの新しいデータセットを作成し、イベントベースの視覚研究(N-MNIST、CIFAR10-DVS、DVSGesture、POKER-DVS)によく使われている既存のスパイキングデータセットと比較する。 分類は畳み込みSNNを用いて行われる。 この作業は4つのデータセットを同時に提供し、将来の実験で使用するための詳細な情報を提供し、ANTShapesデータセットシミュレーションツールの出力を目的に適したものとして検証する。

関連論文リスト

• Cross-Dataset Semantic Segmentation Performance Analysis: Unifying NIST Point Cloud City Datasets for 3D Deep Learning [49.1574468325115]
  本研究では、公共安全アプリケーションに関連する異種ラベル付きポイントクラウドデータセット間のセマンティックセマンティックセマンティクス性能を解析する。 主な課題は、ラベル付きデータ不足、データセット間でクラスラベルを統一することの難しさ、標準化の必要性である。
  論文  参考訳（メタデータ） (2025-08-01T17:59:02Z)
• eCARLA-scenes: A synthetically generated dataset for event-based optical flow prediction [0.0]
  イベントベースのデータを処理する包括的なライブラリであるeWizを紹介する。 本稿では,光フロー予測タスクのための合成イベントベースデータセットとデータ生成パイプラインを提案する。 eCARLAシーンは、CARLAシミュレータを使用して、自動運転車のシナリオをシミュレートする。
  論文  参考訳（メタデータ） (2024-12-12T12:02:23Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• 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)
• SFOD: Spiking Fusion Object Detector [10.888008544975662]
  Spiking Fusion Object Detector (SFOD)は、SNNベースのオブジェクト検出のためのシンプルで効率的なアプローチである。 我々は、イベントカメラに適用されたSNNにおいて、異なるスケールのフィーチャーマップを初めて融合させる、スパイキングフュージョンモジュールを設計する。 我々は、NCARデータセット上で93.7%の精度を達成し、SNNに基づいて最先端の分類結果を確立する。
  論文  参考訳（メタデータ） (2024-03-22T13:24:50Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Network Comparison Study of Deep Activation Feature Discriminability with Novel Objects [0.5076419064097732]
  最先端のコンピュータビジョンアルゴリズムは、Deep Neural Networks(DNN)を特徴抽出に取り入れ、Deep Convolutional Activation Features(DeCAF)を作成する。 本研究では、6つの主要な視覚認識DNNアーキテクチャのDeCAF空間に符号化された新しい物体の視覚的外観の一般的な識別可能性について分析する。
  論文  参考訳（メタデータ） (2022-02-08T07:40:53Z)
• AdaCon: Adaptive Context-Aware Object Detection for Resource-Constrained Embedded Devices [2.5345835184316536]
  畳み込みニューラルネットワークは、オブジェクト検出タスクにおいて最先端の精度を達成する。 リソース制約のあるエッジデバイスへの展開に挑戦する計算とエネルギーの要求が大きい。 本稿では,物体検出モデルの効率を高めるために,異なる対象カテゴリが共同で発生する確率に関する事前知識を活用する。 COCOデータセットを用いた実験の結果, 適応物体検出モデルでは, エネルギー消費量が最大45%減少し, 遅延が最大27%減少し, 物体検出の平均精度(AP)が低下することがわかった。
  論文  参考訳（メタデータ） (2021-08-16T01:21:55Z)
• A Hybrid Neuromorphic Object Tracking and Classification Framework for Real-time Systems [5.959466944163293]
  本稿では,イベントベースカメラを用いた物体追跡と分類のためのリアルタイムハイブリッドニューロモルフィックフレームワークを提案する。 イベント・バイ・イベント処理の従来のアプローチとは異なり、この作業では混合フレームとイベント・アプローチを使用して高性能な省エネを実現している。
  論文  参考訳（メタデータ） (2020-07-21T07:11:27Z)

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。