A Methodology to Study the Impact of Spiking Neural Network Parameters considering Event-Based Automotive Data

要約

自律走行（Autonomous Driving: AD）システムは、人間の移動と輸送の未来と考えられている。ADシステムを実生活で実現するためには、画像分類や物体検出／セグメンテーションなどのコンピュータビジョンタスクを、高精度かつ低消費電力／低消費エネルギーで解決することが強く求められている。これらの要求を満たす可能性があるのが、スパイクニューラルネットワーク（SNN）である。しかし、SNNを用いたADシステムに関する最先端の研究は、依然として高精度を達成できるネットワークモデルの提案に焦点が当てられており、イベントベースの自動車データ学習に使用した場合のSNNパラメータの役割については体系的に研究されていない。そのため、ADシステムのためのSNNモデルの効果的な開発方法についての理解がまだ不足している。そこで我々は、イベントベースの自動車データを考慮したSNNパラメータの影響を系統的に研究・分析し、この分析をSNN開発の強化に活用するための新しい方法論を提案する。そのために、まず、学習メカニズムに直接影響するSNNパラメータ（バッチサイズ、学習率、ニューロン閾値ポテンシャル、重み減衰など）の異なる設定を探索し、次に、精度結果を分析する。その後、SNNの精度を向上させ、学習時間を短縮する手法を提案する。実験の結果、我々の手法は、NCARSデータセットにおいて高い精度(86%)を達成し、また、学習時間を1.9倍高速化しながら、等精度(～85%、標準偏差0.5%以下)を達成できることから、ADシステムのSNNモデルを最先端技術よりも改善できることが示された。このように、我々の研究成果は、SNNパラメータ拡張のための一連のガイドラインを提供し、それによってSNNベースのADシステムの実用的な開発を可能にする。

要約(オリジナル)

Autonomous Driving (AD) systems are considered as the future of human mobility and transportation. Solving computer vision tasks such as image classification and object detection/segmentation, with high accuracy and low power/energy consumption, is highly needed to realize AD systems in real life. These requirements can potentially be satisfied by Spiking Neural Networks (SNNs). However, the state-of-the-art works in SNN-based AD systems still focus on proposing network models that can achieve high accuracy, and they have not systematically studied the roles of SNN parameters when used for learning event-based automotive data. Therefore, we still lack understanding of how to effectively develop SNN models for AD systems. Toward this, we propose a novel methodology to systematically study and analyze the impact of SNN parameters considering event-based automotive data, then leverage this analysis for enhancing SNN developments. To do this, we first explore different settings of SNN parameters that directly affect the learning mechanism (i.e., batch size, learning rate, neuron threshold potential, and weight decay), then analyze the accuracy results. Afterward, we propose techniques that jointly improve SNN accuracy and reduce training time. Experimental results show that our methodology can improve the SNN models for AD systems than the state-of-the-art, as it achieves higher accuracy (i.e., 86%) for the NCARS dataset, and it can also achieve iso-accuracy (i.e., ~85% with standard deviation less than 0.5%) while speeding up the training time by 1.9x. In this manner, our research work provides a set of guidelines for SNN parameter enhancements, thereby enabling the practical developments of SNN-based AD systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL