核心概念
スパイキングニューロンネットワークを用いて、高速かつ変動の激しい自動車シーンにおけるオブジェクト検出を実現する。
要約
本論文は、自動車オブジェクト検出のためのスパイキングニューロンネットワーク(SpikeFPN)を提案している。
まず、イベントベースセンサーの特性を活かすため、スパイキングニューロンモデルを採用する。従来のANNでは疎なイベントデータに対応するのが難しいが、SNNはその時間的な表現が本来イベントデータと整合するため有望である。
提案手法の特徴は以下の通り:
- 膜電位ダイナミクスと適応的膜閾値メカニズムを活用し、疎なイベントデータに対する安定した学習を実現する。
- 自動車シーンに特化したスパイキングフィーチャーピラミッドネットワーク(SpikeFPN)を設計する。SNNの時間的特性を活かしつつ、効率的な演算を実現する。
- GAD ベンチマークデータセットで、従来のSNNモデルや注意機構付きANNを上回る性能(mAP 0.477)を達成する。また、計算効率も高い。
提案手法は、高速かつ変動の激しい自動車シーンにおけるオブジェクト検出に有効であることが示された。
統計
提案手法のSpikeFPNは、GADベンチマークデータセットでmAP 0.477を達成した。
これは従来のSNNモデルを9.7%以上、最先端のANNモデルも上回る性能である。
SpikeFPNの平均推論速度は1スタックあたり54フレーム/秒であり、効率的な演算を実現している。
引用
"スパイキングニューロンネットワークは、時間的表現が本来イベントデータと整合するため有望である。"
"提案手法のSpikeFPNは、GADベンチマークデータセットでmAP 0.477を達成し、従来のSNNモデルを9.7%以上、最先端のANNモデルも上回る性能を示した。"
"SpikeFPNの平均推論速度は1スタックあたり54フレーム/秒であり、効率的な演算を実現している。"