SpikiLi: A Spiking Simulation of LiDAR based Real-time Object Detection for Autonomous Driving

要約

スパイク・ニューラル・ネットワークは、電力効率、計算効率、処理レイテンシーの大幅な改善を約束する、最近の新しいニューラルネットワークの設計手法です。これは、非同期スパイクベースのデータフロー、イベントベースの信号生成、処理、および生体ニューロンに酷似したニューロンモデルの変更を使用することによって実現されています。いくつかの初期作品は、一般的な深層学習タスクへの適用可能性を示す重要な初期証拠を示していますが、複雑な実世界のタスクへの適用は比較的低いものでした。本研究では、まず、複雑な深層学習課題である自動運転のためのライダーベースの3D物体検出へのスパイクニューラルネットワークの適用性を説明する。次に、事前に学習した畳み込みニューラルネットワークを用いて、スパイクの挙動をシミュレートするステップバイステップのデモンストレーションを行います。スパイキングニューラルネットワークの本質的な部分をシミュレーションで密接にモデル化し、GPU上で同等の実行時間と精度を実現します。このモデルをニューロモーフィック・ハードウェア上で実現した場合、電力効率の大幅な向上が期待されます。

要約(オリジナル)

Spiking Neural Networks are a recent and new neural network design approach that promises tremendous improvements in power efficiency, computation efficiency, and processing latency. They do so by using asynchronous spike-based data flow, event-based signal generation, processing, and modifying the neuron model to resemble biological neurons closely. While some initial works have shown significant initial evidence of applicability to common deep learning tasks, their applications in complex real-world tasks has been relatively low. In this work, we first illustrate the applicability of spiking neural networks to a complex deep learning task namely Lidar based 3D object detection for automated driving. Secondly, we make a step-by-step demonstration of simulating spiking behavior using a pre-trained convolutional neural network. We closely model essential aspects of spiking neural networks in simulation and achieve equivalent run-time and accuracy on a GPU. When the model is realized on a neuromorphic hardware, we expect to have significantly improved power efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL