論文の概要: SICAF: Time-Varying Focus Bottleneck for Self-Supervised Event-Based Optical Flow with Spiking Neural Network
- arxiv url: http://arxiv.org/abs/2610.29158v1
- Date: Wed, 21 Oct 2026 03:48:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.19378
- Title: SICAF: Time-Varying Focus Bottleneck for Self-Supervised Event-Based Optical Flow with Spiking Neural Network
- Title（参考訳）: SICAF:スパイクニューラルネットを用いたイベントベース自己監督型光流のための時間変化型焦点ボツネック
- Abstract要約: イベントベース光フロー推定は非同期イベントを利用して高時間分解能とダイナミックレンジを実現する。
SICAF(Spikes Information Compression And Focus)は,学習過程を時間変調による制約付き最適化として定式化するフレームワークである。
SICAFは、MVSECデータセット上でのAEEが8.14%改善し、ホワイトボックス攻撃による堅牢性が13.49%向上した自己教師型SNNにおいて、最先端のパフォーマンスを実現していることを示す。
- 参考スコア（独自算出の注目度）: 46.606921157026996
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Event-based optical flow estimation achieves high temporal resolution and dynamic range by exploiting asynchronous events, while self-supervised learning provides an effective solution to the absence of ground-truth labels. Spiking neural networks (SNNs), as brain-inspired models, process information through asynchronous spikes, naturally aligning with optical flow events. However, the temporal irregularity across event streams hinders the compact extraction of spatiotemporal features, while the absence of explicit labels leads to spurious correlations, thereby increasing redundancy within latent representations. In this paper, we propose a novel 'Compactly Compress, Time-varying Focus' training strategy. We present SICAF (Spikes Information Compression And Focus) framework that formulates the learning process as a constrained optimization with temporal modulation. It encourages self-supervised SNNs to extract compact latent representations while preventing over-compression that would discard temporal saliency. To better enable feature selectivity across time steps, we design an estimator with learnable temporal attention, achieving context awareness with cross-time dependencies. Experimental results on several datasets demonstrate that SICAF achieves state-of-the-art performance in self-supervised SNNs, with a 8.14% improvement in AEE on the MVSEC dataset and a 13.49% increase in robustness under white-box adversarial attacks.
- Abstract（参考訳）: イベントベース光フロー推定は非同期イベントを活用することで高時間分解能とダイナミックレンジを実現する一方、自己教師型学習は、基底構造ラベルの欠如に対する効果的な解決策を提供する。
脳にインスパイアされたモデルであるスパイキングニューラルネットワーク(SNN)は、非同期スパイクを通じて情報を処理し、光学フローイベントと自然に整合する。
しかし、イベントストリーム間の時間的不規則性は、時空間的特徴のコンパクトな抽出を妨げる一方で、明示的なラベルの欠如は、素早い相関をもたらし、潜在表現における冗長性を増加させる。
本稿では,「コンパクト圧縮・時間変化焦点」学習戦略を提案する。
SICAF(Spikes Information Compression and Focus)フレームワークは,時間変調による制約付き最適化として学習プロセスを定式化する。
自己監督型SNNは、時間的サリエンシを放棄する過剰な圧縮を防ぎながら、コンパクトな潜伏表現を抽出することを奨励する。
時間ステップ間の特徴選択性を向上するために、学習可能な時間的注意力を持つ推定器を設計し、時間的依存によるコンテキスト認識を実現する。
いくつかのデータセットの実験結果は、SICAFが自己教師型SNNで最先端のパフォーマンスを達成することを示し、MVSECデータセット上でのAEEは8.14%改善され、ホワイトボックスの敵攻撃による堅牢性は13.49%向上した。
関連論文リスト
- Timestamp-Aware Spatio-Temporal Graph Contrastive Learning for Network Intrusion Detection [12.117106433382437]
本稿では、侵入検知システムのための新しい自己教師付きグラフニューラルネットワーク(GNN)フレームワークを提案する。
提案モデルは,表現学習に忠実な時間的依存関係を提供する実時間スタンプを明示的に活用する。
提案手法は,既存の自己教師付きアプローチを著しく上回り,教師付きGNN手法に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2026-06-15T04:45:41Z) - SpikeCLR: Contrastive Self-Supervised Learning for Few-Shot Event-Based Vision using Spiking Neural Networks [6.343997466221382]
イベントベースの視覚センサはニューロモルフィックハードウェア上に展開することができ、組み込みシステムにエネルギー効率の高い応用を可能にする。
SpikeCLRは、SNNがラベルのないイベントデータから堅牢な視覚表現を学習できるようにする、対照的な自己教師型学習フレームワークである。
論文 参考訳（メタデータ） (2026-03-17T10:11:34Z) - STAER: Temporal Aligned Rehearsal for Continual Spiking Neural Network [11.986684053664087]
スパイキングニューラルネットワーク(SNN)は、イベント駆動の時間ダイナミクスのため、本質的に継続的学習に適している。
本稿では,SNNとANNのパフォーマンスギャップを埋めるため,STAER(Spking Temporal Alignment with Experience Replay)を提案する。
提案手法は,スパイクタイミングの忠実度を維持するために相違可能なSoft-DTWアライメント損失を統合し,出力ロジットに時間拡張・収縮機構を導入し,堅牢な表現学習を実現する。
論文 参考訳（メタデータ） (2026-01-16T09:54:10Z) - Unleashing Temporal Capacity of Spiking Neural Networks through Spatiotemporal Separation [67.69345363409835]
スパイキングニューラルネットワーク(SNN)は、時間的処理に自然に適していると考えられており、膜電位の伝播は、コア時間的モデリングメカニズムとして広く見なされている。
我々は, 膜伝播を段階的に段階的に除去する非ステートフル(NS)モデルの設計を行った。
論文 参考訳（メタデータ） (2025-12-05T07:05:53Z) - Context-aware Sparse Spatiotemporal Learning for Event-based Vision [0.012972287044966184]
イベントベースのカメラは、ロボット知覚のための有望なパラダイムとして登場し、高時間分解能、高ダイナミックレンジ、動きのぼかしに対する堅牢性といった利点を提供している。
既存のディープラーニングベースのイベント処理手法では、イベントデータのスパースな性質を完全に活用できないことが多い。
入力分布に基づいてニューロンの活性化を動的に制御するコンテキスト認識しきい値処理を導入した新しいフレームワークであるコンテキスト認識スパース時空間学習(CSSL)を提案する。
論文 参考訳（メタデータ） (2025-08-27T11:48:03Z) - Towards Low-latency Event-based Visual Recognition with Hybrid Step-wise Distillation Spiking Neural Networks [50.32980443749865]
スパイキングニューラルネットワーク(SNN)は、低消費電力と高い生物性のために大きな注目を集めている。
現在のSNNは、ニューロモルフィックデータセットの正確性とレイテンシのバランスをとるのに苦労している。
ニューロモルフィックデータセットに適したステップワイド蒸留法(HSD)を提案する。
論文 参考訳（メタデータ） (2024-09-19T06:52:34Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。
SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。
本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-02T16:23:50Z) - Ultra-low Latency Spiking Neural Networks with Spatio-Temporal
Compression and Synaptic Convolutional Block [4.081968050250324]
スパイキングニューラルネットワーク(SNN)は、神経時間情報能力、低処理機能、高い生物学的妥当性を有する。
Neuro-MNIST、CIFAR10-S、DVS128ジェスチャデータセットは、個々のイベントをフレームに集約し、イベントストリーム分類の時間分解能を高める必要がある。
本研究では,NIST電流の時間ステップに個々のイベントを集約し,トレーニングや推論の遅延を低減する処理時間圧縮手法を提案する。
論文 参考訳（メタデータ） (2022-03-18T15:14:13Z) - Continuity-Discrimination Convolutional Neural Network for Visual Object
Tracking [150.51667609413312]
本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。
この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。
不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
論文 参考訳（メタデータ） (2021-04-18T06:35:03Z)
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。