Open fulfulggg opened 2 months ago
スパイクニューラルネットワーク(SNN)は、その低消費電力と高い生物学的解釈可能性から大きな注目を集めています。豊富な時空間情報処理能力とイベント駆動型という性質から、ニューロモーフィックデータセットに最適です。しかし、現状のSNNでは、これらのデータセットの分類において、精度とレイテンシのバランスをとることが課題となっています。本論文では、ニューロモーフィックデータセット向けに調整されたHybrid Step-wise Distillation (HSD) 法を提案し、低いタイムステップにおけるパフォーマンスの顕著な低下を抑制します。本研究では、SNNのイベントフレーム数とタイムステップの依存関係を分離し、学習段階ではより多くのイベントフレームを利用してパフォーマンスを向上させ、推論段階ではより少ないイベントフレームを使用してレイテンシを削減します。しかし、すべてのタイムステップにおけるSNNの平均出力は、特に極端に低いタイムステップでは、異常な出力を持つ個々のタイムステップの影響を受けやすいです。この問題に対処するため、各タイムステップにおけるSNNの出力分布の変動を考慮したStep-wise Knowledge Distillation (SKD) モジュールを実装します。実験の結果、我々の手法は、特に低いタイムステップにおいて、ニューロモーフィックデータセットの分類タスクにおいて競争力のあるパフォーマンスをもたらすことが実証されました。コードは {https://github.com/hsw0929/HSD} で公開予定です。
一言でまとめると: 本研究は、新しい学習方法HSDにより、SNNの低遅延化と高精度化を両立させ、イベントベースの視覚認識におけるSNNの可能性を広げました。
@yukihiko-fuyuki が以下のラベルを提案し、適用しました:
タイトル: ハイブリッド段階的蒸留スパイキングニューラルネットワークを用いた低遅延イベントベース視覚認識に向けて
リンク: https://arxiv.org/abs/2409.12507
概要:
スパイクニューラルネットワーク(SNN)は、その低消費電力と高い生物学的解釈可能性から大きな注目を集めています。豊富な時空間情報処理能力とイベント駆動型という性質から、ニューロモーフィックデータセットに最適です。しかし、現状のSNNでは、これらのデータセットの分類において、精度とレイテンシのバランスをとることが課題となっています。本論文では、ニューロモーフィックデータセット向けに調整されたHybrid Step-wise Distillation (HSD) 法を提案し、低いタイムステップにおけるパフォーマンスの顕著な低下を抑制します。本研究では、SNNのイベントフレーム数とタイムステップの依存関係を分離し、学習段階ではより多くのイベントフレームを利用してパフォーマンスを向上させ、推論段階ではより少ないイベントフレームを使用してレイテンシを削減します。しかし、すべてのタイムステップにおけるSNNの平均出力は、特に極端に低いタイムステップでは、異常な出力を持つ個々のタイムステップの影響を受けやすいです。この問題に対処するため、各タイムステップにおけるSNNの出力分布の変動を考慮したStep-wise Knowledge Distillation (SKD) モジュールを実装します。実験の結果、我々の手法は、特に低いタイムステップにおいて、ニューロモーフィックデータセットの分類タスクにおいて競争力のあるパフォーマンスをもたらすことが実証されました。コードは {https://github.com/hsw0929/HSD} で公開予定です。