ترجمه فارسی مقاله جریان نوری مبتنی بر رویداد روی پردازنده نورومورفیک: مقایسه ANN در مقابل SNN بر اساس پراکندگی فعال‌سازی

چکیده

Spiking neural networks (SNNs) for event-based optical flow are claimed to be computationally more efficient than their artificial neural networks (ANNs) counterparts, but a fair comparison is missing in the literature. In this work, we propose an event-based optical flow solution based on activation sparsification and a neuromorphic processor, SENECA. SENECA has an event-driven processing mechanism that can exploit the sparsity in ANN activations and SNN spikes to accelerate the inference of both types of neural networks. The ANN and the SNN for comparison have similar low activation/spike density (~5%) thanks to our novel sparsification-aware training. In the hardware-in-loop experiments designed to deduce the average time and energy consumption, the SNN consumes 44.9ms and 927.0 microjoules, which are 62.5% and 75.2% of the ANN’s consumption, respectively. We find that SNN’s higher efficiency attributes to its lower pixel-wise spike density (43.5% vs. 66.5%) that requires fewer memory access operations for neuron states.

چکیده به فارسی (ترجمه ماشینی)

ادعا می شود که شبکه های عصبی سنبله (SNN) برای جریان نوری مبتنی بر رویداد از نظر محاسباتی کارآمدتر از همتایان شبکه های عصبی مصنوعی (ANNS) هستند ، اما یک مقایسه عادلانه در ادبیات وجود ندارد.در این کار ، ما یک راه حل جریان نوری مبتنی بر رویداد را بر اساس پراکندگی فعال سازی و یک پردازنده عصبی ، Seneca پیشنهاد می کنیم.Seneca یک مکانیسم پردازش رویداد محور دارد که می تواند از پراکندگی در فعال سازی های ANN و سنبله SNN برای تسریع در استنتاج هر دو نوع شبکه های عصبی بهره برداری کند.ANN و SNN برای مقایسه به لطف آموزش جدید آگاه ما ، چگالی فعال سازی/سنبله کم (5 ٪ پوند) دارند.در آزمایشات سخت افزار در حلقه طراحی شده برای استنباط متوسط ​​مصرف زمان و انرژی ، SNN 44.9ms و 927.0 میکروژول مصرف می کند که به ترتیب 62.5 ٪ و 75.2 ٪ از مصرف ANN هستند.ما می دانیم که ویژگی های کارآیی بالاتر SNN به تراکم سنبله پیکسل پایین خود (43.5 ٪ در مقابل 66.5 ٪) که نیاز به عملیات دسترسی به حافظه کمتری برای حالت های نورون دارد.