文献

J-GLOBAL ID：201802241793142033   整理番号：18A1908277

イベントベースのセンサデータからの教師なしオンライン特徴抽出のための時間スケール不変STDPベーススパイキング深ネットワーク【JST・京大機械翻訳】

A Timescale Invariant STDP-Based Spiking Deep Network for Unsupervised Online Feature Extraction from Event-Based Sensor Data

著者 (3件)： Thiele Johannes C. (CEA, LIST, Gif-sur-Yvette CEDEX, France) ,  Bichler Olivier (CEA, LIST, Gif-sur-Yvette CEDEX, France) ,  Dupret Antoine (CEA, LIST, Gif-sur-Yvette CEDEX, France)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IJCNN  ページ： 1-8  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 筆者らは,教師なしの方法とオンラインでイベントベースの視覚データのストリームから階層的特徴を抽出する,積分と発火(IF)ニューロンの深いスパイキング畳込みニューラルネットワークを導入した。このネットワークは,入力時間スケールの定義を必要としない簡単なスパイクタイミング依存可塑性(STDP)ルールで動作する。本論文では,データ中の動的情報を保存しながら,イベントベースのN-MNISTデータセットから並進不変特徴を学習できる方法を示した。これらの特徴を用いてオンライン分類を行う方法を示した。著者らのネットワークは,データベースフレームワークの外側で動作し,複数の時間スケールで,アドレス事象表現(AER)データの連続ストリームから教師なしの複雑な階層的特徴を学習するために用いることができる最初の神経形態システムである。さらに,使用するすべての機構は単純で一般的である。これにより,実世界の完全に適応可能なイベントベースビジョンシステムを構築するために,現在の神経形態ハードウェア上でシステムを実装する可能性を開くことができた。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ニューロン ,  積分 ,  *特徴抽出 ,  データベース ,  視覚 ,  ハードウェア ,  *不変性 ,  並進不変性 ,  *ネットワーク
準シソーラス用語： 神経 ,  アドレス ,  畳込みニューラルネットワーク ,  スパイクタイミング依存シナプス可塑性 ,  *オンライン ,  センサデータ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (8件)： イベント ,  センサデータ ,  教師 ,  オンライン ,  特徴抽出 ,  時間スケール ,  不変 ,  STDP