相关实验视频
Updated: Jul 18, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
441
节能尖分段器用于框架和基于事件的图像.
Hong Zhang1, Xiongfei Fan1, Yu Zhang1,2
1State Key Laboratory of Industrial Control Technology, College of Control Science and Engineering, Zhejiang University, Hangzhou 310027, China.
Biomimetics (Basel, Switzerland)
|August 25, 2023
概括
本研究介绍了用于节能语义细分的 Spiking 语境引导网络 (Spiking CGNet). 新型的Spiking CGNet实现了与人工神经网络相当的性能,在基于和基于事件的摄像头上能耗显著降低.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 神经形态工程的神经形态工程
背景情况:
- 语义细分对于自主系统至关重要,因为移动应用需要节能型号.
- 现有的人工神经网络 (ANN) 在和基于事件的摄像头之间都在努力实现高效的细分.
- 尖端神经网络 (SNN) 在神经形态硬件上提供固有的能源效率.
研究的目的:
- 开发一个能效的语义细分网络,能够处理基于和基于事件的图像.
- 引入一种新的spiking上下文引导块,用于使用尖端计算进行特征和上下文提取.
- 根据现有方法评估拟议的Spiking CGNet的性能和能源效率.
主要方法:
- 开发一个采用新型采用语境指导区块的 Spiking 语境指导网络 (Spiking CGNet).
- 直接培训Spiking CGNet变体 (SCGNet-S和SCGNet-L) 用于基于和事件的图像分割.
- 对城市景观 (基于框架) 和DDD17 (基于事件) 数据集的验证.
主要成果:
- SCGNet-S在城市景观上展示了与ANN CGNet相似的细分结果,能源效率提高了4.85倍.
- 在DDD17数据集中,Spiking CGNet显著优于其他尖端细分方法.
- 拟议的尖端上下文引导块有效提取本地特征和上下文信息.
结论:
- 尖端CGNet为自主感知系统中的语义细分提供了可行,节能的解决方案.
- 开发的SNN方法弥合了在各种相机类型之间高效细分的差距.
- 这项工作突出了SNNs在低功耗,高性能计算机视觉任务中的潜力.
