利用 Dynamic Vision Sensor(DVS)从多个角度进行视频到事件流转换的新方法,并通过严格的验证证明了其当前为最先进技术。
Sep, 2023
基于人脑中的预测编码模型和期望抑制现象,我们提出了一种时间注意机制,通过控制相机的输出使其仅在无法很好预测的情况下注意到视觉事件,从而不仅减少了传感器 - 处理器接口的能耗,而且通过过滤噪声事件有效地减少了计算工作量,我们证明了这种预测注意机制可将相机和处理器之间的数据通信量减少 46.7%,处理器上的计算活动减少 43.8%。
Feb, 2024
该论文介绍了一种基于神经网络的异步处理 Event-based Camera 事件流的方法,利用前一时刻的动态信息和灰度帧的关键特征,提取事件中的动态信息,相较现有同类研究结果表现优异。
Apr, 2019
本文研究使用事件相机结合深度学习进行行人检测任务,并比较了不同处理方法的效果,结果表明事件相机是解决现有问题的潜在技术。
May, 2023
本文介绍了使用适应性选择事件窗口中的信息形成运动补偿图像来重建场景以及估计相机的 6-DOF 姿态,并提出了一个惯性版本的仅事件流水线,以评估其性能。通过对两个公开事件数据集的序列的不同配置的结果与基准进行比较,本文证明了所提出的事件惯性流水线可以产生相当或更准确的结果,前提是地图估计可靠。
Jan, 2023
介绍了事件相机技术的工作原理,可用传感器和任务,包括低级视觉和高级视觉,并讨论了处理事件的技术,特别是基于学习的技术和专门为这些传感器设计的处理器,如脉冲神经网络,同时提出了待解决的挑战和未来机器感知及与世界互动的新机遇。
该研究介绍了一种使用静止事件相机在静态场景中实现事件转换为密集强度图像的方法,并通过时间映射神经网络将时序矩阵转换为强度帧。实验证明该方法在动态范围、细节和灰度分辨率方面表现出卓越的性能,并比其他方法在下游计算机视觉任务上表现出更好的性能。
Mar, 2024
通过基于扩散的生成模型以及维护原始数据的时间分辨率等方法,我们提出了一种创新的事件序列补全方法,发掘事件相机的全部潜力,并生成高质量的密集事件,从而有利于目标分类和强度帧重建。
Jan, 2024
介绍了 Dynamic and Active-pixel Vision sensor(简称 DAVIS)的特点及其在机器人技术和计算机视觉方面的潜在应用,同时公开了一组 DAVIS 数据集,旨在激发研究人员对于高速和高动态范围机器人技术和计算机视觉应用新算法的研究。
Oct, 2016
本文介绍了一种嵌入式系统 F-UAV-D(Fast Unmanned Aerial Vehicle Detector),利用动态视觉传感器(DVS)作为实时低功耗配置中 RGB 摄像头的替代品,通过利用 DVS 的高动态范围(HDR)和背景抑制,在亚优化的环境条件下检测快速移动的无人机的性能优于 RGB 输入。