Core Concepts
SNNの性能と効率を向上させるための統合変換フレームワークに焦点を当てる。
Abstract
SNNはANNに比べてエネルギー効率が高いが、実用的なシナリオでの性能は課題。
AdaFireという新しいアダプティブファイアリングニューロンモデルを提案し、異なる層に異なる発火パターンを割り当てて性能を最適化。
効率目標を満たすために、感度スパイク圧縮(SSC)技術と入力に応じた適応的タイムステップ(IAT)技術を提案。
実験では、AdaFireアプローチが2D、3D、およびイベント駆動分類、物体検出、セグメンテーションタスクで優れた性能と効率を示す。
1. 導入
Spiking Neural Networks (SNNs)はエネルギー効率が高いが実用的なシナリオでの性能向上が課題。
2. 背景
ANNからSNNへの変換方法は精度と低遅延のために最適化されている。
3. AdaFire: 新しいアダプティブファイアリングニューロンモデル
異なる層に異なる発火パターンを割り当てて性能を最適化する。
4. 効率向上技術
感度スパイク圧縮(SSC)技術と入力に応じた適応的タイムステップ(IAT)技術が提案される。
5. 実験結果
AdaFireアプローチは2D、3D、およびイベント駆動分類、物体検出、セグメンテーションタスクで優れた性能と効率を示す。
Stats
CIFAR-10, CIFAR-100, ImageNetデータセットでの精度向上やエネルギー消費量削減等