$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

ONNX기반 스파이킹 심층 신경망 변환 도구
Conversion Tools of Spiking Deep Neural Network based on ONNX 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.20 no.2, 2020년, pp.165 - 170  

박상민 (에프에스솔루션) ,  허준영 (한성대학교 컴퓨터공학부)

초록
AI-Helper 아이콘AI-Helper

스파이킹 신경망은 기존 신경망과 다른 메커니즘으로 동작한다. 기존 신경망은 신경망을 구성하는 뉴런으로 들어오는 입력 값에 대해 생물학적 메커니즘을 고려하지 않은 활성화 함수를 거쳐 다음 뉴런으로 출력 값을 전달한다. 뿐만 아니라 VGGNet, ResNet, SSD, YOLO와 같은 심층 구조를 사용한 좋은 성과들이 있었다. 반면 스파이킹 신경망은 기존 활성화함수 보다 실제 뉴런의 생물학적 메커니즘과 유사하게 동작하는 방식이지만 스파이킹 뉴런을 사용한 심층구조에 대한 연구는 기존 뉴런을 사용한 심층 신경망과 비교해 활발히 진행되지 않았다. 본 논문은 기존 뉴런으로 만들어진 심층 신경망 모델을 변환 툴에 로드하여 기존 뉴런을 스파이킹 뉴런으로 대체하여 스파이킹 심층 신경망으로 변환하는 방법에 대해 제안한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The spiking neural network operates in a different mechanism than the existing neural network. The existing neural network transfers the output value to the next neuron via an activation function that does not take into account the biological mechanism for the input value to the neuron that makes up...

주제어

#Deep neural network   #ONNX   #Spiking neural network  

표/그림 (12)

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 좋은 성능을 보여주었던 기존 심층 신경망구조를[1][2][3][4][5][6] 그대로 사용하면서 기존 뉴런 모델을 스파이킹 뉴런 모델로 변환하고자 한다. 변환과정에서 효율적으로 스파이킹 심층 신경망(Spiking deep neural network)을 표현하기 위해 ONNX-SNN을 제안하고 기존 심층 신경망모델을 ONNX-SNN로 변환 방 법과 ONNX-SNN을 기반으로 Nengo 프레임워크에서 사용할 수 있는 스파이킹 심층 신경망 모델 변환 방법을 제안한다.
  • 본 논문은 기존 심층 신경망[11][12][13]에서 사용하던 신경망 모델을 스파이킹 뉴런으로 대체하여 쉽게 변환할 수 있도록 ONNX-SNN을 제안했다. ONNX-SNN은 ONNX의 구조를 그대로 사용하며 ONNX에서 다루지 않는 스파이킹 뉴런 모델을 추가적으로 다룬다는 점에서 두 포맷의 차이가 거의 없지만 ONNX에서 표현하기 힘든 스파이킹 심층 신경망 구조 또는 알고리즘들이 추후에 추가될 수 있도록 별도의 포맷으로 정의했다.
  • ONNX는 인공지능 개발자들이 인공지능 모델 개발에 있어서 특정한 프레임워크에서 개발한 인공지능 모델을 다양한 인공지능 개발 프레임워크에 쉽게 변환할 수 있도록 한다. 이를 통해 프로젝트에 적합한 프레임워크를 사용할 수 있도록 하는 것을 목표로 한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
ONNX의 정의는? ONNX(Open Neural Network Exchange)는 오픈 신경망교환포맷으로 페이스북(Facebook)과 마이크로소 프트(Microsoft)의 합작으로 시작된 오픈소스 프로젝트다. ONNX는 인공지능 개발자들이 인공지능 모델 개발에 있어서 특정한 프레임워크에서 개발한 인공지능 모델을 다양한 인공지능 개발 프레임워크에 쉽게 변환할 수 있도록 한다.
기존 신경망의 동작 메커니즘은? 스파이킹 신경망은 기존 신경망과 다른 메커니즘으로 동작한다. 기존 신경망은 신경망을 구성하는 뉴런으로 들어오는 입력 값에 대해 생물학적 메커니즘을 고려하지 않은 활성화 함수를 거쳐 다음 뉴런으로 출력 값을 전달한다. 뿐만 아니라 VGGNet, ResNet, SSD, YOLO와 같은 심층 구조를 사용한 좋은 성과들이 있었다.
질의응답 정보가 도움이 되었나요?

참고문헌 (13)

  1. Y. LeCun, L. Bottou, Y. Bengio, & P. Haffner, "Gradient-based learning applied to document recognition," in Proceedings of the IEEE pp. 2278-2324, Nov 1998. DOI: https://doi.org/10.1109/5.726791 

  2. K. Simonyan, & A. Zisserman, "Very deep convolutional networks for large-scale image recognition", arXiv preprint arXiv:1409.1556, 2014. 

  3. K. He, X. Zhang, S. Ren, & J. Sun, "Deep residual learning for image recognition", In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778, 2016. DOI :https://doi.org/10.1109/CVPR.2016.90 

  4. W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C. Y. Fu, & A. C. Berg, "Ssd: Single shot multibox detector", European conference on computer vision. Springer, Cham, pp. 21-37, Oct 2016. DOI: https://doi.org/10.1007/978-3-319-46448-0_2 

  5. J. Redmon, S. Divvala, R. Girshick, & A. Farhadi, "You only look once: Unified, real-time object detection" Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 779-788, 2016. DOI : http://dx.doi.org/10.1109/CVPR.2016.91 

  6. S. J. Bae, H. J. Choi, G. M. Jeong, "YOLO Model FPS Enhancement Method for Determining Human Facial Expression based on NVIDIA Jetson TX1", The Journal of Korea Institute of Information, Electronics, and Communication Technology, Vol. 12, No. 5, pp. 467-474, Oct 2019. DOI: http://dx.doi.org/10.17661/jkiiect.2019.12.5.467 

  7. T. Bekolay, J. Bergstra, E. Hunsberger, T. DeWolf, T. C. Stewart, D. Rasmussen, & C. Eliasmith, "Nengo: a Python tool for building large-scale functional brain models", Jan, 2014. DOI: https://doi.org/10.3389/fninf.2013.00048 

  8. D. Rasmussen, "NengoDL: Combining deep learning and neuromorphic modelling methods", Neuroinformatics, pp. 611-628, Apr 2019. DOI: https://doi.org/10.1007/s12021-019-09424-z 

  9. E. Hunsberger, & C. Eliasmith, "Spiking deep networks with LIF neurons", arXiv preprint arXiv:1510.08829, Oct 2015. 

  10. E. Hunsberger, & C. Eliasmith, , "Training spiking deep networks for neuromorphic hardware", arXiv preprint arXiv:1611.05141, Nov 2016. DOI: https://doi.org/10.13140/RG.2.2.10967.06566 

  11. Joo, Young-Do. "Drone Image Classification based on Convolutional Neural Networks." The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 17, No. 5, pp. 97-102, 2017. DOI: https://doi.org/10.7236/JIIBC.2017.17.5.97 

  12. Kang, Byung-Jun, and Jongwon Kim. "Decision Support System of Obstacle Avoidance for Mobile Vehicles." Journal of the Korea Academia-Industrial cooperation Society, Vol. 19, No. 6, pp. 639-645, 2018. DOI: https://doi.org/10.5762/KAIS.2018.19.6.639 

  13. Kim, Juhyun, and Dongho Kim. "Neural network based real-time UAV detection and analysis by sound." Journal of Advanced Information Technology and Convergence, Vol. 8, No. 1, pp 43-52, 2018. DOI: https://doi.org/10.14801/JAITC.2018.8.1.43 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로