論文の概要: Conjoint Audio-to-Spikes Encoding and Processing for Efficient Neuromorphic Speech Recognition
- arxiv url: http://arxiv.org/abs/2608.30792v1
- Date: Mon, 31 Aug 2026 13:47:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.424278
- Title: Conjoint Audio-to-Spikes Encoding and Processing for Efficient Neuromorphic Speech Recognition
- Title（参考訳）: 効率的なニューロモルフィック音声認識のためのコンジョイントオーディオとスパイクの符号化と処理
- Abstract要約: この研究は、最初のエンドツーエンドのニューロモルフィック・スパイクエンコーディングを導入し、TIMITデータセットの評価を行った。
我々の単純なフィードフォワードネットワークは、スパイクエンコードされたハイデルベルク・ディジットの分類精度99.77%に達する。
- 参考スコア（独自算出の注目度）: 1.1744028458220428
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Obtaining data from neuromorphic sensors and processing it with Spiking Neural Networks is a promising solution to lower the energy cost of artificial intelligence. The current rarity of natively neuromorphic datasets promotes the development of software tools to translate input sensory data into spikes. However, highly bio-mimetic simulators can be challenging to implement on digital hardware. In this work, we evaluate the neuromorphic encoding and subsequent classification of audio into spikes using a non-learnable, high-level, programmable encoder targeting hardware implementation on FPGA. We quantify the pipeline's efficiency with hardware-agnostic metrics based on the quantitative spiking activity. Our study focuses on the simultaneous optimisation of encoder and classifier: the first provides efficient and informative data so that the latter achieves a better performance with an overall lower energy cost at learning and inference. This work introduces the first end-to-end neuromorphic spike-encoding and evaluation of the TIMIT dataset. Our simple feedforward network reaches a classification accuracy of 99.77% on a spike-encoded Heidelberg Digits, overcoming the neuromorphic state of the art on this benchmark dataset.
- Abstract（参考訳）: ニューロモルフィックセンサーからのデータを取得してSpike Neural Networksで処理することは、人工知能のエネルギーコストを下げるための有望な解決策だ。
ネイティブなニューロモーフィックデータセットの現在の希少さは、入力感覚データをスパイクに変換するソフトウェアツールの開発を促進する。
しかし、バイオミメティックなシミュレータは、デジタルハードウェア上で実装することが困難である。
本研究では,FPGA上でのハードウェア実装を対象とした,学習不能でハイレベルなプログラム可能なエンコーダを用いて,ニューロモルフィック符号化とその後の音声のスパイクへの分類を評価する。
定量的スパイキング活動に基づいて,パイプラインの効率をハードウェアに依存しないメトリクスで定量化する。
本研究は、エンコーダと分類器の同時最適化に焦点を当て、第1に、学習と推論における全体的な低エネルギーコストで、より優れた性能を達成するための効率的かつ情報的なデータを提供する。
この研究は、最初のエンドツーエンドのニューロモルフィック・スパイクエンコーディングを導入し、TIMITデータセットの評価を行った。
我々の単純なフィードフォワードネットワークは、スパイク符号化されたHeidelberg Digitsで99.77%の分類精度に達し、このベンチマークデータセットのニューロモルフィックな状態を克服した。
関連論文リスト
- End-to-End Keyword Spotting on FPGA Using Graph Neural Networks with a Neuromorphic Auditory Sensor [5.586479481221699]
ニューロモルフィック聴覚センサ(NAS)とグラフニューラルネットワーク(GNN)を統合したキーワードスポッティングシステムのエンドツーエンドFPGA実装について述べる。
提案アーキテクチャでは、従来の信号前処理を廃止し、イベントベースのオーディオストリームを直接操作する。
ニューロモルフィックセンサーによって処理されたGoogle Speech Commands v2データセットの量子化後の精度は87.43%である。
論文 参考訳（メタデータ） (2026-05-10T14:31:01Z) - Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。
このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。
GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
論文 参考訳（メタデータ） (2026-02-13T04:38:51Z) - Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。
スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。
分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。
本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Deep Learning for real-time neural decoding of grasp [0.0]
本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。
提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
論文 参考訳（メタデータ） (2023-11-02T08:26:29Z) - Neuromorphic Auditory Perception by Neural Spiketrum [27.871072042280712]
本研究では、時間変化のアナログ信号を効率的なスパイクパターンに変換するために、スパイク時相と呼ばれるニューラルスパイク符号化モデルを導入する。
このモデルは、様々な聴覚知覚タスクにおいて、スパイクニューラルネットワークのトレーニングを容易にする、正確に制御可能なスパイクレートを備えたスパースで効率的な符号化スキームを提供する。
論文 参考訳（メタデータ） (2023-09-11T13:06:19Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Efficient spike encoding algorithms for neuromorphic speech recognition [5.182266520875928]
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プロセッサの実装に非常に効果的である。
実値信号は、SNNに適さない実値信号として符号化される。
本稿では,話者独立桁分類システムにおける4つのスパイク符号化手法について検討する。
論文 参考訳（メタデータ） (2022-07-14T17:22:07Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - ST-MNIST -- The Spiking Tactile MNIST Neuromorphic Dataset [13.270250399169104]
我々は,触覚型ニューロモルフィックセンサアレイに記述した人手による手書き桁を含む,新しいニューロモルフィック・スパイキング・タクティルMNISTデータセットを作成した。
また、既存の人工スパイクとニューラルネットワークモデルを用いて、ST-MNISTデータセットを評価するための最初の取り組みについても述べる。
論文 参考訳（メタデータ） (2020-05-08T23:44:14Z) - 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。