이 논문은 자동차 객체 탐지를 위한 스파이킹 뉴런 기반의 특징 피라미드 네트워크(SpikeFPN)를 제안한다.
먼저 논문은 이벤트 기반 센서의 특성과 기존 객체 탐지 방법의 한계를 설명한다. 스파이킹 뉴런 네트워크(SNN)가 이벤트 기반 데이터를 효과적으로 처리할 수 있는 대안으로 제시된다.
논문은 스파이킹 뉴런의 시간 역학, 특히 막전위 역학과 적응형 막전위 임계값 메커니즘에 주목한다. 이를 통해 급격한 이벤트 변화에 효과적으로 대응할 수 있는 특징 표현을 학습할 수 있다.
이러한 통찰을 바탕으로 SpikeFPN을 설계한다. SpikeFPN은 특징 피라미드 구조와 적응형 스파이킹 뉴런 모델을 결합하여 자동차 객체 탐지 성능을 향상시킨다.
실험 결과, SpikeFPN은 기존 SNN 모델과 주목 메커니즘이 적용된 ANN 모델을 능가하는 성능을 보인다. GEN1 Automotive Detection (GAD) 벤치마크 데이터셋에서 mAP 0.477을 달성하며, 기존 최고 성능 대비 9.7% 향상을 보였다. 또한 SpikeFPN은 효율적인 아키텍처 설계로 계산 비용을 크게 줄일 수 있다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Hu Zhang,Yan... at arxiv.org 05-03-2024
https://arxiv.org/pdf/2307.12900.pdfDeeper Inquiries