論文の概要: Mask IPL: Noise-Free Intrinsic Position Learning via Computation Graph Clipping for Event-Based Spike-Driven Tracking

• arxiv url: http://arxiv.org/abs/2609.18716v1
• Date: Wed, 16 Sep 2026 14:21:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.835178
• Title: Mask IPL: Noise-Free Intrinsic Position Learning via Computation Graph Clipping for Event-Based Spike-Driven Tracking
• Title（参考訳）: Mask IPL:イベントベーススパイク駆動トラッキングのための計算グラフクリッピングによるノイズフリー固有位置学習
• Abstract要約: 内在的位置学習(IPL)は、追加パラメータを導入することなく、強い位置情報を取得する。 本稿では,各レイヤの操作に対して,レイアウトによって決定される妥当性マスを適用した簡易グラフ法を提案する。 これにより、追加パラメータを導入することなくノイズを排除し、実際の勾配を理想的な勾配と一致させる。
• 参考スコア（独自算出の注目度）: 26.059290090383826
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spiking Neural Networks (SNNs) match the event-driven nature of event cameras and naturally extract spatiotemporal features. These properties have motivated a series of recent studies on event-based tracking with SNNs. Intrinsic Position Learning (IPL) acquires strong position information without introducing additional parameters, making it a mainstream approach for position encoding in event-based spike-driven tracking. However, the mechanism behind its effectiveness lacks systematic theoretical analysis. Moreover, our analysis reveals that IPL introduces noise in both forward and backward propagation. The former increases inference error, while the latter prevents parameters from converging to better solutions. This paper presents a systematic analysis of IPL and demonstrates that its effectiveness stems from the synergy between IPL and multi-stage convolution. The zero blocks in the joint tensor act as zero padding for convolution, and the resulting boundary effect propagates layer by layer through multi-stage convolution. Every parameter update is therefore driven by a gradient that perceives the relative displacement between template and search frames. Positional encoding added after the convolutional stage cannot provide this information. We further propose a simple Computation Graph Clipping method that applies a validity mask determined by the layout to the operations of every layer, making invalid regions equivalent to zero padding in both forward and backward propagation. This eliminates the noise without introducing additional parameters and makes the actual gradient coincide with the ideal gradient. We name the improved method Mask IPL. Without increasing parameters or computational cost, Mask IPL improves the AUC of the Tiny-scale tracker on FE108, FELT, and VisEvent, and consistently improves the Base-scale tracker as well.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)はイベントカメラのイベント駆動の性質と一致し、時空間の特徴を自然に抽出する。 これらの特性は、SNNによるイベントベースのトラッキングに関する最近の一連の研究を動機付けている。 Intrinsic Position Learning (IPL)は、追加パラメータを導入することなく強力な位置情報を取得し、イベントベースのスパイク駆動トラッキングにおける位置符号化の主流となる。 しかし、その有効性の背後にあるメカニズムは、体系的な理論的分析を欠いている。 さらに,本解析の結果から,IPLは前方および後方の伝搬にノイズをもたらすことが明らかとなった。 前者は推論エラーを増加させ、後者はパラメータがより良い解に収束することを防ぐ。 本稿では,IPLの系統的解析を行い,その有効性はIPLと多段階畳み込みの相乗効果に起因していることを示す。 接合テンソルのゼロブロックは、畳み込みのためのゼロパディングとして作用し、結果として生じる境界効果は多段畳み込みを通じて層によって伝播する。 したがって、各パラメータの更新はテンプレートと検索フレーム間の相対的な変位を知覚する勾配によって駆動される。 畳み込み後の位置符号化では、この情報は提供できない。 さらに,各レイヤの動作にレイアウトによって決定される妥当性マスクを適用し,前方および後方の伝搬においてゼロパディングと等価な無効領域を実現する,簡易な計算グラフクリッピング法を提案する。 これにより、追加パラメータを導入することなくノイズを排除し、実際の勾配を理想的な勾配と一致させる。 改良されたMask IPLと命名する。 Mask IPLはパラメータや計算コストを増大させることなく、FE108、FELT、VisEventのTinyscaleトラッカーのAUCを改善し、Base-scaleトラッカーも一貫して改善している。

関連論文リスト

• Single-Stage Hierarchical Rectification for Weakly Supervised Histopathology Segmentation [0.9799637101641149]
  既存の教師付きセマンティックセグメンテーション手法は、マルチステージパラダイムに依存している。 本稿では,Single-Stage Hierarchical Rectification (SSHR) フレームワークを提案する。 SSHRは前方通過時の中間特徴表現を積極的に浄化する。
  論文  参考訳（メタデータ） (2026-06-18T14:01:58Z)
• Unbiased Gradient Estimation for Event Binning via Functional Backpropagation [64.88399635309918]
  バックプロパゲーション中に弱微分を合成することにより任意の双対関数の非バイアス勾配推定のための新しいフレームワークを提案する。 自己監督型光流ではECEが9.4%,SLAMでは5.1%低下し,事象に基づく視覚知覚において大きなメリットが示された。
  論文  参考訳（メタデータ） (2026-02-13T04:05:03Z)
• Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
  Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。 FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。 推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
  論文  参考訳（メタデータ） (2026-02-12T18:54:57Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
  グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。 LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。 LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-23T17:35:19Z)
• Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
  我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。 GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
  論文  参考訳（メタデータ） (2023-12-19T06:06:30Z)
• A temporally and spatially local spike-based backpropagation algorithm to enable training in hardware [0.0]
  Spiking Neural Networks (SNN)は、分類タスクのためのハードウェア効率の良いアーキテクチャとして登場した。 非スパイキング人工ニューラルネットワーク(ANN)で使用される強力なバックプロパゲーション(BP)技術を採用する試みはいくつかある。
  論文  参考訳（メタデータ） (2022-07-20T08:57:53Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)

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。