Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Ultra-Low-Latency Spiking Neural Networks with Temporal-Dependent Integrate-and-Fire Neuron Model for Objects Detection

Created by
  • Haebom

作者

Chengjun Zhang, Yuhao Zhang, Jie Yang, Mohamad Sawan

概要

本論文は、ニューロモルフィックハードウェアにおける低消費電力と高速推論能力によって特徴付けられるスパイキングニューラルネットワーク(SNN)を視覚的認識作業に適用する研究に関する。従来のANN-SNN変換法は分類作業で優れた性能を示したが、視覚検出作業では性能が低下した。これを解決するために、本論文は、不均一なスパイキングパターンによる残留膜電位問題を軽減する遅延スパイクアプローチと時間依存統合発火(tdIF)ニューロンアーキテクチャを提案する。 tdIFニューロンは、時間ステップの順序に従って累積および発話動作を動的に調整し、周波数ベースの表現に依存せずにスパイクが明確な時間特性を示すことを可能にします。さらに、既存のIFニューロンと同じレベルのエネルギー消費を維持します。ターゲット検出とレーン検出2つの視覚作業の広範な評価は、提案された方法が既存のANN-SNN変換スキームを上回り、5回未満の時間ステップで最先端の性能を達成することを示しています。

Takeaways、Limitations

Takeaways:
従来のANN‐SNN変換方式の視覚的検出作業性能低下問題を解決する新しいアプローチを提示
時間依存の統合 - 発火(TdIF)ニューロンアーキテクチャにより、より正確な特徴表現と超低遅延視覚検出性能を実現します。
ターゲット検出とレーン検出操作で最先端の性能を記録。
5回未満の時間段階で超低遅延性能を実現。
Limitations:
提案された方法の一般化性能に関するさらなる研究の必要性
様々な視覚的認識タスクに対するスケーラビリティ検証の必要性
他のニューロンモデルやアーキテクチャとの比較分析が必要です。
👍