Hybrid SIFT-SNN for Efficient Anomaly Detection of Traffic Flow-Control Infrastructure
Created by
Haebom
Category
Empty
저자
Munish Rathee (School of Engineering, Computer,Mathematical Science), Boris Ba\v{c}ic (School of Engineering, Computer,Mathematical Science), Maryam Doborjeh (Knowledge Engineering,Discovery Research Institute)
개요
본 논문은 교통 인프라의 구조적 이상을 실시간으로 감지하기 위한 저지연 뉴로모픽 신호 처리 파이프라인인 SIFT-SNN 프레임워크를 제시한다. 제안된 접근 방식은 공간 특징 인코딩을 위해 SIFT (Scale-Invariant Feature Transform)를 사용하고, 분류를 위해 지연 기반 스파이크 변환 레이어와 LIF (Leaky Integrate-and-Fire) SNN (Spiking Neural Network)을 통합한다. 오클랜드 하버 브리지 데이터세트를 다양한 기상 및 조명 조건에서 기록했으며, 실제 및 합성적으로 증강된 안전하지 않은 경우를 포함하는 6,000개의 레이블이 지정된 프레임으로 구성된다. 제안된 시스템은 프레임당 9.5ms의 추론 시간으로 92.3% (+- 0.8%)의 분류 정확도를 달성했다. 10ms 미만의 지연 시간과 희소 스파이크 활동 (8.1%)을 결합하여 실시간, 저전력 엣지 배포를 가능하게 한다.
시사점, 한계점
•
SIFT-SNN 프레임워크는 공간 특징의 명시적인 유지를 통해 해석 가능성을 높이고 투명한 의사 결정을 지원하며 임베디드 하드웨어에서 효율적으로 작동한다.
•
9.5ms의 프레임당 추론 시간으로 92.3%의 분류 정확도를 달성하여 실시간 이상 감지에 적합하다.
•
합성적 증강을 통해 견고성이 향상되었지만, 실제 현장 조건에 대한 일반화는 검증이 필요하다.
•
소비자 등급 시스템에서 작동하는 프로토타입을 통해 검증되었으며, 교통 흐름 제어 인프라로 전 세계 20개 이상의 도시에 배치된 이동식 콘크리트 장벽에 대한 구조 안전 모니터링의 일반화 가능한 사례 연구로 프레임화되었다.
