SU-YOLO: Spiking Neural Network for Efficient Underwater Object Detection

要約

水中オブジェクトの検出は、海洋研究と産業安全検査にとって重要です。
ただし、複雑な光学環境と水中機器の限られたリソースは、高精度と低電力消費を達成するために大きな課題をもたらします。
これらの問題に対処するために、スパイクニューラルネットワーク（SNN）モデルである水中ヨロ（Su-Yolo）をスパイクすることを提案します。
SU-Yoloは、SNNSの軽量およびエネルギー効率の高い特性を活用して、整数添加のみに基づいた新しいスパイクベースの水中画像除去方法を組み込んでおり、最小計算オーバーヘッドでフィーチャマップの品質を高めます。
さらに、複数の時間ステップでフィーチャマップを独立して正規化し、残留構造との統合のためにSNNの時間的ダイナミクスをより効果的にキャプチャするために最適化される技術である分離バッチ正規化（SEBN）を導入します。
再設計されたスパイキング残留ブロックは、クロスステージ部分ネットワーク（CSPNET）をYoLoアーキテクチャと統合して、スパイクの劣化を緩和し、モデルの特徴抽出機能を強化します。
URPC2019水中データセットの実験結果は、Su-Yoloが6.97mパラメーターと2.98 MJのエネルギー消費量で78.8％のマップを達成し、検出精度と計算効率の両方で主流のSNNモデルを上回ることを示しています。
これらの結果は、エンジニアリングアプリケーションのSNNの可能性を強調しています。
このコードは、https：//github.com/lwxfight/snn-underwaterで入手できます。

要約(オリジナル)

Underwater object detection is critical for oceanic research and industrial safety inspections. However, the complex optical environment and the limited resources of underwater equipment pose significant challenges to achieving high accuracy and low power consumption. To address these issues, we propose Spiking Underwater YOLO (SU-YOLO), a Spiking Neural Network (SNN) model. Leveraging the lightweight and energy-efficient properties of SNNs, SU-YOLO incorporates a novel spike-based underwater image denoising method based solely on integer addition, which enhances the quality of feature maps with minimal computational overhead. In addition, we introduce Separated Batch Normalization (SeBN), a technique that normalizes feature maps independently across multiple time steps and is optimized for integration with residual structures to capture the temporal dynamics of SNNs more effectively. The redesigned spiking residual blocks integrate the Cross Stage Partial Network (CSPNet) with the YOLO architecture to mitigate spike degradation and enhance the model’s feature extraction capabilities. Experimental results on URPC2019 underwater dataset demonstrate that SU-YOLO achieves mAP of 78.8% with 6.97M parameters and an energy consumption of 2.98 mJ, surpassing mainstream SNN models in both detection accuracy and computational efficiency. These results underscore the potential of SNNs for engineering applications. The code is available in https://github.com/lwxfight/snn-underwater.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google