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

本文提出了基于视觉关注的两种事件视觉注意力模型，一种通过跟踪视野内的事件活动来定位关注区域，另一种基于DRAW神经模型和全微分注意力程序，使用Phased LSTM识别网络作为基线参考模型并在四个数据集上进行验证，获得了在平移和尺度不变性方面的提升。

Jul, 2018

使用紧凑的图形表示和图卷积神经网络实现 end-to-end 的特征学习，以提高神经形态视觉感知技术在计算机视觉任务中的性能，尤其在行动识别方面表现出色。

Oct, 2019

本文提出了一种基于图谱谱聚类技术的无监督运动目标检测方法，可在事件数据中有效地检测运动目标。实验结果显示，该算法在公开数据集中的性能优于多种最先进的技术。

Sep, 2021

提出针对神经形态感知相机的人体动作识别和跌倒检测数据集，使用先进视觉模型Fine-tuned的方法，各模型准确度分别为：DVS-MViT（0.958），DVS-C2D（0.916），DVS-R2+1D（0.875）和DVS-SlowFast（0.833）。

Jan, 2022

本论文提出了一种动态图消息传递网络，用于进行长程依赖性建模，以用于图像识别。该网络采用自适应抽样节点的方法，在传递信息时动态地预测节点相关过滤器权重和关联矩阵，以实现对自我注意机制的设计。研究结果表明，基于该模型的Transformer骨干网络在图像分类和物体检测等四种不同任务上，相对于现有的最先进技术，能够显著提升性能，同时性能优于完全连接的图并使用更少的浮点运算和参数。

Sep, 2022

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

提出了一种新的图表示方法将事件数据与图转换器相结合，用于准确的神经形态分类任务。通过广泛实验表明，该方法在仅有少量事件和有限计算资源的困难真实场景中表现出优异效果，为嵌入移动设备的神经形态应用开辟了道路。

Sep, 2023

本文介绍了一个从事件相机数据流中生成图形的硬件实现过程，通过简化图形表示和使用值的缩放和量化的方法来改进图像检测性能，并提出了基于图形生成模块的硬件架构。

Jan, 2024

本研究解决了缺乏专门数据集的问题，这些数据集提供了神经形态传感器用于传递视觉信息的示例。通过提供一个基于时间阈值的注释数据集，支持面部检测任务，允许在不同条件下评估和优化先进神经架构。此外，数据集的公开发布将促进低功耗神经形态成像技术的更广泛应用。

Oct, 2024