从事件相机到视频:将现代计算机视觉引入事件相机
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
本文提出了一种利用现有的传统相机记录的视频数据生成虚拟事件数据的方法,从而使得神经网络能够使用大量的现有数据集进行训练,从而在物体识别和语义分割领域取得了良好的效果。
Dec, 2019
本文介绍了一种用于提高事件基于 CNNs 的训练数据的策略,可为视频重建网络和光流网络带来 20-40%的性能提升,并提出了一种新的高质量数据集 HQF 以解决事件基于视频重建缺乏质量地真实图像的问题。
Mar, 2020
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。
Apr, 2019
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
本文介绍了将事件流转化成基于网格的表示的通用框架,其具有两个主要优势:(i)允许端到端学习输入事件表示,(ii)提供了一个统一记录大多数事件表示的分类法,并识别出新的事件表示方法。通过实验证明,我们的端到端学习事件表示的方法相对于现有技术方法,在光流估计和目标识别上都有约 12%的改进。
Apr, 2019
利用卷积神经网络从一对时间图像帧中模拟事件的方法,可克服事件相对于计算机视觉问题的限制。在大规模图像数据集上,通过这种模拟数据,训练用于对象检测和 2D 人体姿势估计的下游网络,能够成功推广到真实事件数据集上。
Dec, 2019
本文提出了 EVREAL 框架,并针对当前事件感知视觉领域中的基于深度学习的视频重建方法进行了统一的评价,旨在为不同的方法提供比较基础和统一的评价标准,提供对这些方法在不同场景下,挑战性场景和下游任务下性能的宝贵见解。
Apr, 2023
本研究通过构建新的神经网络结构,使用事件相机实现了高清无暇的图像和视频的生成,并将故障模糊问题转化为残差学习的任务来有效地进行训练。实验结果表明,该方法可以比现有技术更好地还原图像和视频。
Mar, 2020