論文の概要: Keeping Inference in the Radio: Design and Measurement of a Spiking Accelerator for mmWave ISAC Activity Recognition
- arxiv url: http://arxiv.org/abs/2610.37480v1
- Date: Tue, 27 Oct 2026 16:07:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 04:15:49.275661
- Title: Keeping Inference in the Radio: Design and Measurement of a Spiking Accelerator for mmWave ISAC Activity Recognition
- Title（参考訳）: 無線における推論の維持:mWave ISACアクティビティ認識のためのスパイキング加速器の設計と測定
- Abstract要約: 132ニューロンの完全連結SNNは、見えない被験者に対して94.7%の精度(90.7%のマクロF1)を達成し、206マイクロ秒で推論を行う。
量子化対応トレーニングは、同じエンコーダしきい値において、6ビットネットワークの半分のパーセンテージポイントで重量を3ビットに減らす。
- 参考スコア（独自算出の注目度）: 6.922222076698585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrated sensing and communication allows wireless networks to recognize human activity from the channel estimates that the receiver computes anyway. The inference, however, runs on the general-purpose processors of the base station, access point or handset, which are the first components a device switches off to save energy. Always-on sensing therefore requires a classifier that is small enough to remain powered while the rest of the system sleeps. We investigate whether Spiking Neural Networks (SNNs) can provide such a classifier. To this end, we generate SNN accelerators for micro-Doppler activity recognition on the public DISC dataset (IEEE 802.11ay at 60 GHz) with the open-source Spiker+ framework, and implement them together with a spike encoder on a ZCU208 RFSoC, so that the complete chain from micro-Doppler frame to activity label runs in programmable logic. A fully connected SNN with 132 neurons achieves 94.7 % accuracy (90.7 % macro-F1) on unseen subjects and performs an inference in 206 microseconds. Compared to conventional networks of the same topology on the same device, it requires an eighth of the logic and 3.4X less dynamic energy per decision than a network fed the same binary spikes, at comparable accuracy, and 7.6X less than a network fed the 16-bit spectrogram, at 1.2 points lower accuracy. Quantization-aware training reduces its weights to 3 bits within half a percentage point of the 6-bit network at the same encoder threshold
- Abstract（参考訳）: 統合されたセンシングと通信により、無線ネットワークは受信者がいずれにせよ計算するチャネル推定から人間の活動を認識することができる。
しかし、この推論は基地局、アクセスポイントまたはハンドセットの汎用プロセッサで動作し、デバイスがスイッチオフしてエネルギーを節約する最初のコンポーネントである。
そのため、常時オンセンサーは、システムの残りの部分が寝ている間、電源を保ち続けるのに十分な大きさの分類器を必要とする。
スパイキングニューラルネットワーク(SNN)がそのような分類器を提供するかどうかを検討する。
この目的のために、オープンソースのSpikeer+フレームワークを用いて、パブリックdisCデータセット(IEEE 802.11ay at 60 GHz)上でマイクロドップラーアクティビティ認識のためのSNNアクセラレータを生成し、ZCU208 RFSoC上のスパイクエンコーダと共に実装することにより、マイクロドップラーフレームからアクティビティラベルへの完全なチェーンがプログラム可能なロジックで実行されるようにする。
132ニューロンの完全連結SNNは、見えない被験者に対して94.7%の精度(90.7%のマクロF1)を達成し、206マイクロ秒で推論を行う。
同じデバイス上で同じトポロジを持つ従来のネットワークと比較して、論理の8分の1と決定毎の動的エネルギーの3.4倍、同じバイナリスパイクを同じ精度で供給するネットワークよりも7.6倍少なく、精度は1.2ポイント低い。
量子化学習は、同じエンコーダ閾値における6ビットネットワークの半ポイント以内の重量を3ビットに減らす
関連論文リスト
- EdgeSpike: Spiking Neural Networks for Low-Power Autonomous Sensing in Edge IoT Architectures [0.0]
EdgeSpikeは、エッジモノのインターネット(IoT)アーキテクチャにおける自律的低電力センシングのための、共同設計のスパイクニューラルネットワーク(SNN)フレームワークである。
ハイブリッドなサロゲートグレートとダイレクトエンコーディングのトレーニングパイプライン、ハードウェア対応のニューラルアーキテクチャサーチ、イベント駆動ランタイムを統一する。
強力なINT8畳み込みニューラルネットワーク(CNN)ベースラインの1.2ポイント(pp)以内の平均分類精度は91.4%である。
論文 参考訳（メタデータ） (2026-04-29T05:15:28Z) - 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) - Gesture Recognition with mmWave Wi-Fi Access Points: Lessons Learned [3.5711957833616235]
ジェスチャー認識/位置推定のためのmmWave (60 GHz) のWi-Fi信号について検討する。
このため、IEEE 802.11ad デバイスを用いた周期ビームトレーニングからビーム信号-雑音比(SNR)を抽出する。
ディープニューラルネットワーク(DNN)は、単一の環境で96.7%の精度でビームSNRタスクの有望な結果を達成する。
論文 参考訳（メタデータ） (2023-06-29T16:10:07Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Distributed quantum sensing with a mode-entangled network of
spin-squeezed atomic states [0.2867517731896504]
量子センサーは正確な時間保持、フィールドセンシング、量子通信に使用される。
各ノードに局所的な絡み合いしか持たないネットワークの場合、ネットワークのノイズ性能はノード数の平方根で改善される。
ここでは,ネットワークノード間の非局所的絡み合いが,ネットワークサイズによるスケーリングを向上することを示す。
論文 参考訳（メタデータ） (2022-05-12T22:13:25Z) - Sound Event Detection with Binary Neural Networks on Tightly
Power-Constrained IoT Devices [20.349809458335532]
サウンドイベント検出(SED)は、消費者およびスマートシティアプリケーションのホットトピックです。
Deep Neural Networksに基づく既存のアプローチは非常に効果的ですが、メモリ、電力、スループットの面で非常に要求が高いです。
本稿では,高エネルギー効率なRISC-V(8+1)コアGAP8マイクロコントローラと,極端量子化と小プリントバイナリニューラルネットワーク(BNN)の組み合わせについて検討する。
論文 参考訳（メタデータ） (2021-01-12T12:38:23Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳（メタデータ） (2020-10-22T12:32:29Z) - TinyRadarNN: Combining Spatial and Temporal Convolutional Neural
Networks for Embedded Gesture Recognition with Short Range Radars [13.266626571886354]
本研究は,バッテリ操作型ウェアラブルデバイスを対象とした,低消費電力な組込み手位置認識アルゴリズムを提案する。
範囲周波数ドップラー特徴を用いた2次元畳み込みニューラルネットワーク(CNN)と時間列予測のための時間畳み込みニューラルネットワーク(TCN)を組み合わせる。
論文 参考訳（メタデータ） (2020-06-25T15:23:21Z) - Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian
Detection [99.94079901071163]
本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。
我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。
我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
論文 参考訳（メタデータ） (2020-04-03T17:36:26Z)
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。