論文の概要: EventSpikeSeg: Memory-Aware Mixed-Signal Architecture for Event-Camera Spiking Segmentation
- arxiv url: http://arxiv.org/abs/2611.18524v1
- Date: Fri, 13 Nov 2026 18:40:12 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:23:29.664348
- Title: EventSpikeSeg: Memory-Aware Mixed-Signal Architecture for Event-Camera Spiking Segmentation
- Title(参考訳): EventSpikeSeg: イベントカメラスパイクセグメンテーションのためのメモリ対応Mixed-Signalアーキテクチャ
- Abstract要約: EventSpikeSeg は GF180MCU 180-nm CMOS において、常駐キャパシタメモリと共有アナログ処理を組み合わせた混合信号アーキテクチャである。
25個のポピュレーション・スパイク・エンコーダ・デコーダは143,824個のシナプス重みを持つが、440 x 640の解像度で30,976,000の膜状態を必要とする。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Event-camera segmentation requires persistent neural state despite sparse input events, making memory organization a central constraint on embedded implementation. We present EventSpikeSeg, a mixed-signal architecture combining resident capacitor memory with shared analog processing in GF180MCU 180-nm CMOS. Its 25-population spiking encoder-decoder has 143,824 synaptic weights but requires 30,976,000 membrane states at 440 x 640 resolution. The mapping specifies chronological 5-ms model updates, digital event/address services and 64-state capacitor banks. Characterization covers 22 module families and 74 operating points, distinguishing transistor simulations from digital-library estimates. Nominal results include 41.711 microwatts biased neuron-core power, 3.338-pJ positive terminal energy for a 1.4-microsecond cell read, and 0.531-mV selected-state drift over a 5-ms extracted-tile hold. Commit and coupling errors are reported separately. The software checkpoint records 27.976% mean intersection-over-union on a held-out six-class DSEC split; this is not hardware accuracy. Component layouts and simulation evidence quantify local implementation costs and expose storage replication and service scheduling as scaling constraints. A detailed SPICE-calibrated behavioral forward simulation of one full-resolution DSEC frame achieves 24.26% mean intersection-over-union, versus 26.22% for the matched PyTorch reference, using a compact 5-fF bank variant and external count/voltage calibration. Physical full-network operation, system energy and mismatch robustness remain unverified.
- Abstract(参考訳): イベントカメラセグメンテーションは、少ない入力イベントにもかかわらず永続的なニューラルステートを必要とする。
GF180MCU 180-nm CMOSにおいて、常駐キャパシタメモリと共有アナログ処理を組み合わせた混合信号アーキテクチャであるEventSpikeSegを提案する。
25個のポピュレーション・スパイク・エンコーダ・デコーダは143,824個のシナプス重みを持つが、440 x 640の解像度で30,976,000の膜状態を必要とする。
マッピングでは、時系列5-msモデルのアップデート、デジタルイベント/アドレスサービス、64状態キャパシタバンクを指定する。
キャラクタリゼーションは22のモジュールファミリーと74の操作ポイントをカバーし、トランジスタシミュレーションとデジタルライブラリー推定を区別する。
Nominal results include 41.711 microwatts biased neuron-core power, 3.338-pJ positive terminal energy for a 1.4-microsecond cell read, and 0.531-mV selected-state drift over a 5-ms extract-tile hold。
コミットと結合エラーを別々に報告する。
ソフトウェアチェックポイントは27.976%であり、ハードウェアの精度は高くない。
コンポーネントのレイアウトとシミュレーションのエビデンスは、ローカル実装のコストを定量化し、ストレージのレプリケーションとサービスのスケジューリングをスケーリングの制約として公開します。
1つのフルレゾリューションDSECフレームの詳細なSPICE校正動作フォワードシミュレーションでは、平均交叉対合同が24.26%、一致したPyTorch参照が26.22%、コンパクトな5-fFバンクと外部カウント/電圧キャリブレーションを用いて達成されている。
物理的全ネットワーク操作、システムエネルギー、ミスマッチロバスト性は検証されていない。
関連論文リスト
- FPGAFly: A 166.7k-Neuron Fruit-Fly Connectome on One FPGA via Deferred Spike Expansion and Shared-Codeword States [0.0]
FPGAFlyは166.7k-neuron、25.6M-connection integration-and-fire male central nervous system (CNS) Connectomeを1つのFPGA上で動作させる。
Gowin5 GWAST-LV138の80MHzでは、平均86.83ms、2000テストで93.05msの範囲で100msのウィンドウが終了する。
論文 参考訳(メタデータ) (2026-10-28T00:53:29Z) - TernScope: Model-Hardware Co-Design for Efficient Ternary Endoscopic Segmentation [5.213250788055269]
TernScopeは、低ビット演算子がハードウェアの実行を単純化する、コンパクトなセグメンテーションネットワークを学習する。
25の畳み込みはすべて3次重みと8ビットのアクティベーションを使い、満載のストレージと乗算器なしの計算を可能にした。
同じ45nm技術の下で、TernScopeはオリジナルのGemminiと比較して計算アレイ面積を88.46%削減した。
論文 参考訳(メタデータ) (2026-10-21T11:56:23Z) - Cascadia: Resident 975B MoE Inference on Eleven AI PCs [0.0]
我々は、11台のIntel Core Ultra X7 358H AI PC上で、カスカディアのInklingの常駐実行を示す。
Inklingのルーティングルールを保存し、OpenVINOの融合したiGPUプリミティブのための圧縮グラフを構築するカスタム常駐MoEエンジンにコントリビュートする。
ストリーミングパイプラインは同時生成をコーディネートし、キャプチャ状態のドラフト評価は、展開された数値パスと一致させる。
論文 参考訳(メタデータ) (2026-10-05T18:29:24Z) - QuPID: Quantum Parameter-Efficient Input-Dependent Retrieval Adaptation for Medical RAG [43.163742253145635]
QuPIDは、量子パラメータ効率の入力依存型検索適応である。
凍結した画像の特徴を限られたデータでローカルアーカイブに適応させる。
凍った医療エンコーダよりも、ChestX-ray14とmuraでAT-5(P@5)の精度が高い。
論文 参考訳(メタデータ) (2026-09-27T08:22:58Z) - MEOX: Compact Multimodal Mixture-of-Experts for Earth Observation [0.0]
我々は,2.939万のパラメータエンコーダと3.115万のパラメータを持つマルチモーダルマスク付きオートエンコーダMEOXを提案する。
センサ固有のアダプタ、明示的な妥当性信号、共有スパース・エキスパートブロックは、モダリティに依存した処理を保存する。
このモデルは64.42%に達し、カシューセグメンテーションでは64ピクセル、ユーロサットでは90.56%の精度で224ピクセルで交差する。
論文 参考訳(メタデータ) (2026-09-04T16:59:36Z) - EventShiftFlow: Towards Hardware-efficient FPGA-based Flow Estimation [43.77587889970362]
イベントベースの視覚センサは、非同期で高時間分解能の測定を提供する。
多くの事象に基づく動き推定法は計算集約的であり、FPGAハードウェアにマップすることは困難である。
本稿では,非同期イベントを固定時間ビンに離散化し,1ビット空間占有格子を構築し,複数の速度仮説を並列に評価するストリーミング速度推定器を提案する。
論文 参考訳(メタデータ) (2026-05-27T11:13:58Z) - MobileGym: A Verifiable and Highly Parallel Simulation Platform for Mobile GUI Agent Research [39.68394140712043]
MobileGymは、日常的なモバイル利用のための軽量で完全に制御可能な環境である。
階層化された状態モデルと宣言的なタスク定義フレームワークは、状態のプログラマビリティとタスク作成を大規模に実践的に保ちます。
単一のプログラム的判断メカニズムは、決定論的評価評価と高密度報酬の両方を提供する。
論文 参考訳(メタデータ) (2026-05-25T17:59:49Z) - Quantum Feature Pyramid Gating for Seismic Image Segmentation [0.0]
この研究は、ハイブリッドセグメンテーションアーキテクチャである量子特徴ゲーティングを導入している。
パラメータ化量子回路をエンコーダ・デコーダパイプライン内の特徴核融合点に埋め込む。
2018年のTGS Salt Identification Challengeでは、101 x 101の解像度で4,000の地震画像を用いて評価されている。
論文 参考訳(メタデータ) (2026-05-14T19:50:01Z) - FlashSchNet: Fast and Accurate Coarse-Grained Neural Network Molecular Dynamics [36.3434800328807]
SchNetのようなグラフニューラルネットワーク(GNN)のポテンシャルは、分子動力学(MD)シミュレーションの精度と伝達性を改善する。
我々は,高帯域メモリ(HBM)とオンチップ間の読み書きを慎重に考慮し,GNN-MD IOを意識する原理を欠いていることを示す。
提案するFlashSchNetは,4つの技術をベースに構築された,効率よく正確なIO対応GNN-MDフレームワークである。
論文 参考訳(メタデータ) (2026-02-13T17:49:12Z) - Leveraging Automated Mixed-Low-Precision Quantization for tiny edge
microcontrollers [76.30674794049293]
本稿では、HAQフレームワークに基づく自動混合精度量子化フローを提案するが、MCUデバイスのメモリおよび計算特性に特化している。
具体的には、強化学習エージェントは、個々の重みとアクティベーションテンソルの2, 4, 8ビットのうち、最高の均一量子化レベルを探索する。
重量のみの量子化のために2MBに制限されたMCUクラスのメモリが与えられた場合、混合精度エンジンによって生成された圧縮されたモデルは、最先端のソリューションと同じくらい正確である。
論文 参考訳(メタデータ) (2020-08-12T06:09:58Z)
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。