एलआईआरएमएम से “ऑसिलेटरी न्यूरल नेटवर्क एज़ हेटेरो-एसोसिएटिव मेमोरी फॉर इमेज एज डिटेक्शन” शीर्षक वाला नया शोध पत्र – लेबोरेटोयर डी’इनफॉर्मेटिक डी रोबोटिक एट डी माइक्रोइलेक्ट्रॉनिक डी मोंटपेलियर।
“कैमरों जैसे एज डिवाइसों पर संसाधित होने वाले डेटा की बढ़ती मात्रा ने किनारे पर आर्टिफिशियल इंटेलिजेंस (एआई) एकीकरण को प्रेरित किया है। किनारे पर प्रदर्शन की जाने वाली विशिष्ट छवि प्रसंस्करण विधियां, जैसे कि फीचर निष्कर्षण या किनारे का पता लगाना, दृढ़ फिल्टर का उपयोग करते हैं जो ऊर्जा, गणना और मेमोरी भूखे एल्गोरिदम हैं।
लेकिन एज डिवाइस और कैमरों में दुर्लभ कम्प्यूटेशनल संसाधन, बैंडविड्थ और शक्ति है और क्लाउड पर डेटा भेजने के लिए गोपनीयता बाधाओं के कारण सीमित हैं।
इस प्रकार, किनारे पर छवि डेटा को संसाधित करने की आवश्यकता है। इन वर्षों में, इस आवश्यकता ने किनारे पर न्यूरोमॉर्फिक कंप्यूटिंग को लागू करने में बहुत रुचि पैदा की है।
न्यूरोमॉर्फिक सिस्टम का उद्देश्य ऊर्जा-कुशल कंप्यूटिंग प्राप्त करने के लिए जैविक तंत्रिका कार्यों का अनुकरण करना है। हाल ही में, ऑसिलेटरी न्यूरल नेटवर्क्स (ONN) ऑटोएसोसिएटिव मेमोरी प्रकार के अनुप्रयोगों को करने के लिए मस्तिष्क दोलनों का अनुकरण करके एक उपन्यास मस्तिष्क-प्रेरित कंप्यूटिंग दृष्टिकोण प्रस्तुत करते हैं।
इमेज एज डिटेक्शन में तेजी लाने और इसकी बिजली खपत को कम करने के लिए, हम ONN के साथ गहन जांच करते हैं। हम छवि किनारे का पता लगाने के लिए हेटेरो-एसोसिएटिव मेमोरी (एचएएम) के रूप में ओएनएन का उपयोग करके एक उपन्यास छवि प्रसंस्करण विधि का प्रस्ताव करते हैं।
हम पहले एक मैटलैब एम्यूलेटर और फिर पूरी तरह से डिजिटल ओएनएन डिज़ाइन का उपयोग करके अपने ओएनएन-एचएएम समाधान का अनुकरण करते हैं। हम ग्रे स्केल स्क्वायर मूल्यांकन मानचित्रों पर, ब्लैक एंड व्हाइट और ग्रे स्केल 28×28 एमएनआईएसटी छवियों पर और अंत में ब्लैक एंड व्हाइट 512×512 मानक परीक्षण छवियों पर परिणाम दिखाते हैं। हम अपने समाधान की तुलना मानक एज डिटेक्शन फिल्टर जैसे सोबेल और कैनी से करते हैं।
अंत में, पूरी तरह से डिजिटल डिजाइन सिमुलेशन परिणामों का उपयोग करते हुए, हम समय और संसाधन विशेषताओं पर रिपोर्ट करते हैं, और वास्तविक समय छवि प्रसंस्करण अनुप्रयोगों के लिए इसकी व्यवहार्यता का मूल्यांकन करते हैं।
हमारा डिजिटल ओएनएन-एचएएम समाधान रीयल-टाइम कैमरा बाधाओं का सम्मान करते हुए 120×120 पिक्सल (166 मेगाहर्ट्ज सिस्टम आवृत्ति) तक की छवियों को संसाधित कर सकता है। छवि प्रसंस्करण अनुप्रयोगों के लिए हेटेरो-एसोसिएटिव मेमोरी के रूप में ओएनएन का पता लगाने वाला यह पहला काम है।”
कैमरे जैसे एज डिवाइस पर संसाधित किए जाने वाले डेटा की बढ़ती मात्रा ने किनारे पर आर्टिफिशियल इंटेलिजेंस (एआई) एकीकरण को प्रेरित किया है।
किनारे पर प्रदर्शन की जाने वाली विशिष्ट छवि प्रसंस्करण विधियां, जैसे कि फीचर निष्कर्षण या किनारे का पता लगाना, दृढ़ फिल्टर का उपयोग करते हैं जो ऊर्जा, गणना और मेमोरी भूखे एल्गोरिदम हैं।
लेकिन एज डिवाइस और कैमरों में दुर्लभ कम्प्यूटेशनल संसाधन, बैंडविड्थ और शक्ति है और क्लाउड पर डेटा भेजने के लिए गोपनीयता बाधाओं के कारण सीमित हैं। इस प्रकार, किनारे पर छवि डेटा को संसाधित करने की आवश्यकता है। इन वर्षों में, इस आवश्यकता ने किनारे पर न्यूरोमॉर्फिक कंप्यूटिंग को लागू करने में बहुत रुचि पैदा की है। न्यूरोमॉर्फिक सिस्टम का उद्देश्य ऊर्जा-कुशल कंप्यूटिंग प्राप्त करने के लिए जैविक तंत्रिका कार्यों का अनुकरण करना है।
हाल ही में, ऑसिलेटरी न्यूरल नेटवर्क्स (ONN) ऑटोएसोसिएटिव मेमोरी प्रकार के अनुप्रयोगों को करने के लिए मस्तिष्क दोलनों का अनुकरण करके एक उपन्यास मस्तिष्क-प्रेरित कंप्यूटिंग दृष्टिकोण प्रस्तुत करते हैं।
इमेज एज डिटेक्शन में तेजी लाने और इसकी बिजली खपत को कम करने के लिए, हम ONN के साथ गहन जांच करते हैं। हम छवि किनारे का पता लगाने के लिए हेटेरो-एसोसिएटिव मेमोरी (एचएएम) के रूप में ओएनएन का उपयोग करके एक उपन्यास छवि प्रसंस्करण विधि का प्रस्ताव करते हैं।
हम पहले एक मैटलैब एम्यूलेटर और फिर पूरी तरह से डिजिटल ओएनएन डिज़ाइन का उपयोग करके अपने ओएनएन-एचएएम समाधान का अनुकरण करते हैं। हम ग्रे स्केल स्क्वायर मूल्यांकन मानचित्रों पर, ब्लैक एंड व्हाइट और ग्रे स्केल 28×28 एमएनआईएसटी छवियों पर और अंत में ब्लैक एंड व्हाइट 512×512 मानक परीक्षण छवियों पर परिणाम दिखाते हैं।
हम अपने समाधान की तुलना मानक एज डिटेक्शन फिल्टर जैसे सोबेल और कैनी से करते हैं। अंत में, पूरी तरह से डिजिटल डिजाइन सिमुलेशन परिणामों का उपयोग करते हुए, हम समय और संसाधन विशेषताओं पर रिपोर्ट करते हैं, और वास्तविक समय छवि प्रसंस्करण अनुप्रयोगों के लिए इसकी व्यवहार्यता का मूल्यांकन करते हैं।
हमारा डिजिटल ओएनएन-एचएएम समाधान रीयल-टाइम कैमरा बाधाओं का सम्मान करते हुए 120×120 पिक्सल (166 मेगाहर्ट्ज सिस्टम आवृत्ति) तक की छवियों को संसाधित कर सकता है। छवि प्रसंस्करण अनुप्रयोगों के लिए हेटेरो-एसोसिएटिव मेमोरी के रूप में ओएनएन का पता लगाने वाला यह पहला काम है।”
