基于PointLCA-Net的边缘设备高效时空信号识别
机器学习
2025-05-21 v3 新兴技术
摘要
近期的机器学习进展，尤其是通过PointNet等深度学习架构，已显著提升了对三维(3D)点云的处理，特别是在3D物体分类和分割任务中取得了重要进展。虽然3D点云提供了详尽的空间信息，但时空信号引入了随时间变化的动态元素。然而，将深度学习技术应用于时空信号并在边缘设备上部署，面临实时处理、内存容量和功耗等挑战。为此，本文提出了一种新方法，融合PointNet的特征提取与神经形态系统的内存计算能力和能源效率，用于时空信号识别。该方法包含两个阶段：首先，PointNet从时空信号中提取特征，并存储在非易失性存储器交叉阵列中；其次，这些特征由单层脉冲神经编码解码器处理，采用局部竞争算法(LCA)实现高效编码和分类。本工作整合了PointNet与LCA的优势，提升了边缘设备上的计算效率和能源性能。PointLCA-Net在时空数据上实现了高识别精度，且在推理和训练阶段的能耗显著低于其他方法，从而推动了先进神经网络架构在能源受限环境中的部署。
引用
@article{arxiv.2411.14585,
title = {Efficient Spatio-Temporal Signal Recognition on Edge Devices Using PointLCA-Net},
author = {Sanaz Mahmoodi Takaghaj},
journal= {arXiv preprint arXiv:2411.14585},
year = {2025}
}
备注
Accepted to International Joint Conference on Neural Networks(IJCNN), 2015