論文の概要: Evaluating Spiking MoveNet Deployability for Near-Future Onboard Spiking Satellite Pose Estimation
- arxiv url: http://arxiv.org/abs/2610.33061v1
- Date: Mon, 19 Oct 2026 12:58:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.233219
- Title: Evaluating Spiking MoveNet Deployability for Near-Future Onboard Spiking Satellite Pose Estimation
- Title（参考訳）: スパイク衛星画像推定のためのスパイクモブネットの展開性評価
- Abstract要約: SNNはエネルギー効率とイベント駆動処理の可能性から関心を集めている。
本稿では,自律型宇宙船運用に適したMoveNetアーキテクチャのスパイクバージョンについて検討する。
U-Netのようなアーキテクチャをスパイクする際の計算資源とアーキテクチャ設定のバランスのとれた利点を示す。
- 参考スコア（独自算出の注目度）: 1.1666234644810893
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: SNNs are attracting interest due to their potential for energy efficiency and event-driven processing. However, neuromorphic hardware is not yet mature enough to enable embedded deployment of complex spiking network architectures. In this work, we investigate a spiking version of the MoveNet architecture tailored for autonomous spacecraft operation, aiming to evaluate the deployability of this complex architecture compared to the non-spiking version for embedded, fully event-based solutions in space applications. Using the RAPTOR dataset, we compare the performance and operational cost of the proposed S-MoveNet-Lightning architecture with its standard version, MoveNet-Lightning. Our results show balanced advantages in computational resources and architectural settings for spiking U-Net-like architectures. An evaluation of the performance and hardware footprint of the proposed Spiking Neural Network (SNN) approach for pose estimation shows that, on average, 2.2 times fewer multiplication and accumulation operations are required compared to the non-spiking solution deployed on FPGA platforms with the AMD Deep Learning Processor Unit (DPU). These results provide valuable insights into the feasibility and potential of SNNs in complex aerospace applications and highlight their role in balancing efficiency and performance, paving the way for event-driven solutions in embedded space applications.
- Abstract（参考訳）: SNNはエネルギー効率とイベント駆動処理の可能性から関心を集めている。
しかし、複雑なスパイクネットワークアーキテクチャを組み込むのに、ニューロモルフィックハードウェアはまだ十分に成熟していない。
本研究では、宇宙アプリケーションに組み込み、完全にイベントベースのソリューションを組み込んだ非スパイク版と比較して、この複雑なアーキテクチャのデプロイ可能性を評価することを目的として、自律宇宙船運用に適したMoveNetアーキテクチャのスパイクバージョンについて検討する。
RAPTORデータセットを用いて、提案したS-MoveNet-Lightningアーキテクチャの性能と運用コストを、その標準バージョンであるMoveNet-Lightningと比較する。
この結果は,U-Netのようなアーキテクチャをスパイクする際の計算資源とアーキテクチャ設定のバランスのとれた利点を示す。
ポーズ推定のために提案したスパイキングニューラルネットワーク(SNN)手法の性能とハードウェアフットプリントを評価すると、平均2.2倍の乗算と累積演算が必要であり、AMDディープラーニングプロセッサユニット(DPU)を用いたFPGAプラットフォームにデプロイされた非スパイキングソリューションと比較できる。
これらの結果は、複雑な航空宇宙アプリケーションにおけるSNNの実現可能性と可能性に関する貴重な洞察を与え、その効率と性能のバランスにおける彼らの役割を強調し、組み込みスペースアプリケーションにおけるイベント駆動ソリューションの道を開いた。
関連論文リスト
- Efficient Network Inference via Hardware-Aware Architecture Search, Model Pruning & Quantization [1.2287044988409759]
我々は、構造化プルーニング、学習後の静的量子化、ハードウェア対応ゼロショットニューラルアーキテクチャサーチを用いた干渉特性評価のための効率的なネットワーク推論について検討する。
本研究は,組込みプラットフォーム上でのリアルタイム干渉監視のための機械学習(ML)モデル開発のための実践的ガイダンスを提供する。
論文 参考訳（メタデータ） (2026-06-22T11:54:34Z) - Hardware-aware Neural Architecture Search of Early Exiting Networks on Edge Accelerators [12.394874144369396]
エッジでの組み込みインテリジェンスに対する需要の増加は、厳密な計算とエネルギーの制約を課している。
将来性のあるソリューションとして、Early Exiting Neural Networks (EENN)が登場した。
ネットワークバックボーン内の早期終了点の配置を最適化するハードウェア対応ニューラルアーキテクチャサーチ(NAS)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-04T11:54:09Z) - Energy efficiency analysis of Spiking Neural Networks for space applications [43.91307921405309]
スパイキングニューラルネットワーク(SNN)は理論的に優れたエネルギー効率のために非常に魅力的である。
本研究では,EuroSATデータセットのシーン分類に応用したSNN手法の数値解析と比較を行う。
論文 参考訳（メタデータ） (2025-05-16T16:29:50Z) - ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。
本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。
本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
論文 参考訳（メタデータ） (2025-03-24T13:11:22Z) - 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) - Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。
アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。
ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-20T17:08:42Z) - DONNAv2 -- Lightweight Neural Architecture Search for Vision tasks [6.628409795264665]
計算効率の良いニューラルアーキテクチャ蒸留 - DONNAv2 のための次世代ニューラルアーキテクチャ設計について述べる。
DONNAv2は、より大きなデータセットに対して、DONNAの計算コストを10倍削減する。
NASサーチスペースの品質を向上させるため、DONNAv2はブロック知識蒸留フィルタを利用して推論コストの高いブロックを除去する。
論文 参考訳（メタデータ） (2023-09-26T04:48:50Z) - Energy-Efficient On-Board Radio Resource Management for Satellite
Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。
関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文 参考訳（メタデータ） (2023-08-22T03:13:57Z) - Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge
TPU [58.720142291102135]
本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。
我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
論文 参考訳（メタデータ） (2022-04-07T08:53:18Z) - Measuring what Really Matters: Optimizing Neural Networks for TinyML [7.455546102930911]
ニューラルネットワーク(NN)は、アーキテクチャと計算の複雑さが前例のない成長を遂げた。
NNをリソース制約のあるデバイスに導入することで、コスト効率の高いデプロイメント、広範な可用性、機密データの保存が可能になる。
この作業は、ユビキタスなARM Cortex-Mアーキテクチャに焦点を当てた、機械学習をMCUに持ち込むという課題に対処する。
論文 参考訳（メタデータ） (2021-04-21T17:14:06Z) - Stage-Wise Neural Architecture Search [65.03109178056937]
ResNetやNASNetのような現代の畳み込みネットワークは、多くのコンピュータビジョンアプリケーションで最先端の結果を得た。
これらのネットワークは、同じ解像度で表現を操作するレイヤのセットであるステージで構成されている。
各ステージにおけるレイヤー数の増加はネットワークの予測能力を向上させることが示されている。
しかし、結果として得られるアーキテクチャは、浮動小数点演算、メモリ要求、推論時間の観点から計算的に高価になる。
論文 参考訳（メタデータ） (2020-04-23T14:16:39Z)
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。