CVPRMar, 2019

基于事件相机的角点检测学习的速度不变时间表面

PDF
TL;DR本研究提出了一种面向基于事件的相机的角点检测方法，通过学习随着快速变化的运动仍然具有稳定性的时间表面，应用随机森林检测由移动角产生的事件，并引入了一个高分辨率的数据集进行方法的可比性验证，实验结果表明，该方法较之前的方法在角点变化方向突然改变时更为稳健，且具有较好的性能表现。
event-based camerascorner detectionrandom foreststime surfacesilc
发现论文，激发创造
  • 使用事件相机进行连续时间强度估计

    提出了一种异步滤波器，可以将事件摄像机从高速、高动态范围数据中提取的局部时间对比信息，与传统摄像机从低频参考强度信息中提取的信息相融合，以形成一个单一的高时空分辨率图像状态，证明该算法优于现有状态的方法。

    Nov, 2018

  • 基于视网膜事件的端到端目标动态估计的学习，用于事件驱动的目标跟踪

    本文提出了一种基于事件相机和深度神经网络的实时物体追踪方法，使用同步时间表面和线性时间衰减表示异步视网膜事件的信息，并通过独创的神经网络模型处理各种复杂的情况，如快速动态和低照度条件等使得实验结果表明该方法优于以往传统的物体追踪方法。

    Feb, 2020

  • 使用神经形态相机的初期事件时间曲面进行物体分类

    提出了一种将低层次的降维方法与神经型相机数据的高级对象有效融合的新方法，称为 IETS，它通过提高对噪声的鲁棒性、促进空间一致性和改善（移动）边缘的时间定位来克服了传统时间表面的若干限制。将 IETS 与迁移学习相结合可提高利用事件摄像机数据进行目标分类的最新表现。

    Feb, 2020

  • 事件摄像头的连续时间视觉惯性里程计

    本文提出了一种基于连续时间表征的事件相机视觉惯性导航融合方法，并证明了该方法在准确性和适用性上优于当前最先进的事件相机视觉导航方法。

    Feb, 2017

  • HATS: 基于均值时间曲面直方图的鲁棒事件驱动物体分类

    本文介绍了一种新的事件相机特征表示方法和新的机器学习架构，并发布了第一个用于对象分类的大型真实事件数据集，经过广泛的实验证明，相对先前的方法，本文方法具有更好的分类性能和实时计算能力。

    Mar, 2018

  • 事件相机实现高速和高动态范围视频

    本文提出了一种使用循环网络从事件流中直接学习重建图像的方法，并在此基础上扩展到从事件流合成彩色图像的方法，实验证明该网络在处理高速现象和挑战性照明条件下具有较好的图像质量和高动态范围重建，并作为事件数据的中间表示进行了分类和视觉惯性积分导航等应用。

    Jun, 2019

  • 更快更好：角点检测的机器学习方法

    本文提出了一个用于角点检测的新启发式方法，并使用机器学习从中派生出特征检测器，该检测器可以在少于 5％的处理时间内完全处理实况视频。通过实验比较，该检测器在可重复性和效率方面都表现出色，效果显著优于现有的特征检测器。

    Oct, 2008

  • 使用事件和图像帧进行非同步光度特征跟踪

    该论文介绍了一种利用事件相机和标准相机的互补性来实现低延迟跟踪视觉特征的方法，通过提取标准相机的特征和利用事件相机的低延迟更新，该方法能够在各种场景下产生比现有技术更准确、更长的特征跟踪。

    Jul, 2018

  • 基于事件的抗运动准确形状估计混合反射场景

    本研究论文提出一种新颖的基于事件的结构光系统，能够以高精度快速地对反射率混合场景进行三维成像。通过使用内在的对物体反射进行分解的极线约束，重建了场景中的漫反射对象，并且通过偏折测量评估了景物的镜面反射部分。所得到的系统能够以较高精度（小于 500μm）和快速（每秒 14 帧）的方式对反射率混合场景进行重建，同时还引入了适用于三维测量漫反射场景的 “超快速” 捕获模式（每秒 250 帧）。

    Nov, 2023

  • 使用 100 万像素事件相机学习物体检测

    本文介绍了一种基于事件相机的物体检测任务的解决方案，包括了首个高分辨率大规模数据集的发布、一种新的递归架构和一种时间一致性损失函数，这些对于更好的训练结果至关重要，而且在需要高动态范围，低延迟且具有挑战性的光照条件的情况下比传统的基于帧的解决方案更加高效而准确。

    Sep, 2020