ترجمه فارسی مقاله استفاده از CNNها برای انجام پردازش و طبقه‌بندی داده‌های مبتنی بر رویداد در ASL-DVS

چکیده

Recent advancements in bio-inspired visual sensing and neuromorphic computing have led to the development of various highly efficient bio-inspired solutions with real-world applications. One notable application integrates event-based cameras with spiking neural networks (SNNs) to process event-based sequences that are asynchronous and sparse, making them difficult to handle. In this project, we develop a convolutional spiking neural network (CSNN) architecture that leverages convolutional operations and recurrent properties of a spiking neuron to learn the spatial and temporal relations in the ASL-DVS gesture dataset. The ASL-DVS gesture dataset is a neuromorphic dataset containing hand gestures when displaying 24 letters (A to Y, excluding J and Z due to the nature of their symbols) from the American Sign Language (ASL). We performed classification on a pre-processed subset of the full ASL-DVS dataset to identify letter signs and achieved 100% training accuracy. Specifically, this was achieved by training in the Google Cloud compute platform while using a learning rate of 0.0005, batch size of 25 (total of 20 batches), 200 iterations, and 10 epochs.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در سنجش بینایی با الهام از زیستی و محاسبات عصبی منجر به توسعه راه حل های مختلف با الهام از زیستی بسیار کارآمد با کاربردهای دنیای واقعی شده است.یک برنامه قابل توجه دوربین های مبتنی بر رویداد را با شبکه های عصبی سنبله (SNN) برای پردازش توالی های مبتنی بر رویداد که ناهمزمان و پراکنده هستند ، ادغام می کند و رسیدگی به آنها را دشوار می کند.در این پروژه ، ما یک معماری شبکه عصبی سنبله (CSNN) ایجاد می کنیم که از عملیات حلقوی و خصوصیات مکرر یک نورون سنبله برای یادگیری روابط مکانی و زمانی در مجموعه داده ژست ASL-DVS استفاده می کند.مجموعه داده ژست ASL-DVS یک مجموعه داده عصبی است که حاوی حرکات دستی در هنگام نمایش 24 حرف (A تا Y ، به استثنای J و Z به دلیل ماهیت نمادهای آنها) از زبان نشانه آمریکایی (ASL) است.ما طبقه بندی را در زیر مجموعه از پیش پردازش شده از مجموعه داده کامل ASL-DVS برای شناسایی علائم نامه انجام دادیم و به دقت آموزش 100 ٪ رسیدیم.به طور خاص ، این کار با آموزش در پلت فرم محاسبات Google Cloud در حالی که از نرخ یادگیری 0.0005 ، اندازه دسته 25 (در کل 20 دسته) ، 200 تکرار و 10 دوره حاصل شد ، حاصل شد.