最近在事件相机研究中，通过使用原始稀疏形式的数据进行处理，凭借其独特的特点（如高时间分辨率、高动态范围、低延迟和抗图像模糊性），取得了一些进展。其中，基于图卷积网络（GCNs）的事件数据分析方法令人期待。然而，在该领域的当前研究主要集中在优化计算成本上，却忽视了相应的内存成本。本文综合考虑了执行时间、可训练模型参数数量、数据格式要求和训练结果等因素，进行了不同图卷积操作的比较分析，结果显示，相较于最先进方法使用的操作，特征提取模块的参数数量减少了 450 倍，数据表示的大小减少了 4.5 倍，同时保持了 52.3% 的分类准确率，比最先进方法提高了 6.3%。为了进一步评估性能，我们实现了目标检测体系结构，并在 N-Caltech101 数据集上评估了其性能，结果显示其在 0.5 的 mAP 下达到了 53.7% 的准确率，并达到了每秒 82 个图的执行速度。

Jul, 2023

本文提出了两种神经网络结构，分别是基于事件的相位叠加帧模型的 YOLE 和异步基于事件的完全卷积网络 fcYOLE，用于在基于事件的摄像头上进行物体检测，通过不同的扩展公开数据集和人工合成数据集的评估，展示了该算法的性能。

May, 2018

本文提出了一种基于卷积神经网络的视觉特征和时间信息的分层分类器方案，并通过一个后期融合策略和时间修正步骤，得到了良好的文化事件分类结果，其中包括 2015 年 ChaLearn Challenge 的第二好表现。

Apr, 2015

本研究介绍了 N-ImageNet 数据集，用于强健细粒度物体识别与事件摄像头。该数据集经过程序控制的硬件收集，具有大量的类别和样本，已被证实在事件物体识别的预训练中，有助于学习少量标注数据，同时还提出了 N-ImageNet 的几个变体以测试事件分类器在各种环境下的稳健性。本研究也提出了一种新的事件表示法，以缓解性能降级，并在环境条件不同的情况下比较事件物体识别算法之间的差异。因此，N-ImageNet 及其变体有望指导实际部署事件物体识别算法在现实世界中的使用。

Dec, 2021

本文介绍一种模型语境感知的深度神经网络，该模型利用 LSTM 单元结合物体提议来捕捉物体和场景之间的关系，并且通过对学习到的特征进行可视化和分析，证明了模型具有很好的语境建模能力。

May, 2017

本文讨论了利用卷积神经网络进行场景分类的方法，通过该方法可以自动学习场景中有意义的对象探测器，从而在单个前向传递中实现场景识别和对象定位。

Dec, 2014

该论文提出了一种基于多模式 CNN 的场景识别新方法，结合图像和上下文信息，通过注意力机制来强化学习和增强场景的辨别能力，实验证明该方法性能超过所有现有的先进方法，并显著减少了网络参数。

Sep, 2019

本研究提出了一种通用的框架，将基于同步图像事件表示训练的模型转换为具有相同输出的异步模型，以便直接利用事件数据的本质异步性和稀疏性，并在目标检测和识别任务中实现了高达 20 倍计算复杂度的降低和 24% 的精度提高。

Mar, 2020

本研究利用深度学习技术提高了机器人应用中的场景分类能力，通过语义分割对深度神经网络进行正则化，实现了基于对象知识的场景分类，比目前最先进的算法在 SUN RGB-D 数据集中获得了更好的表现，同时使语义分割性能达到了新的记录，并将算法成功应用于移动机器人捕捉的图像场景分类中。

Sep, 2015

本文讨论如何利用深度卷积神经网络和适当的编码方法来提高视频事件检测的性能，建议使用潜在概念描述符作为帧描述符，并实现新的最先进性能。

Nov, 2014