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

要約

自動運転 (AD) システムは、人間のモビリティと輸送の未来と考えられています。
画像分類やオブ​​ジェクト検出/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電力/エネルギー消費で解決することは、現実の AD システムを実現するために非常に必要です。
これらの要件は、スパイキング ニューラル ネットワーク (SNN) によって満たされる可能性があります。
しかし、SNN ベースの AD システムにおける最先端の研究は、依然として高精度を達成できるネットワーク モデルの提案に重点を置いており、イベントベースの自動車データの学習に使用される場合の SNN パラメータの役割について体系的に研究されていません。
したがって、AD システム用の SNN モデルを効果的に開発する方法についてはまだ理解が不足しています。
これに向けて、イベントベースの自動車データを考慮して SNN パラメーターの影響を系統的に調査および分析し、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します。
これを行うために、まず学習メカニズム (つまり、バッチ サイズ、学習率、ニューロンの閾値電位、重み減衰) に直接影響する SNN パラメーターのさまざまな設定を調査し、次に精度の結果を分析します。
その後、SNN の精度を向上させ、トレーニング時間を短縮する手法を提案します。
実験結果は、私たちの方法論が NCARS データセットに対してより高い精度 (つまり 86%) を達成し、また等精度 (つまり 86%) も達成できるため、AD システムの SNN モデルを最先端のものよりも改善できることを示しています。
、標準偏差が 0.5% 未満で ~85%)、トレーニング時間を 1.9 倍高速化します。
このようにして、私たちの研究活動は 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します。

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, Google