基于时空图割的事件驱动运动分割
本研究提出了第一种基于事件相机的感知运动信息分割方法,通过建立在事件感应技术和运动补偿上的目标函数联合估计事件 - 目标关联,从而实现了场景中的独立运动目标分割和运动参数估计,并在公共数据集上取得了比最新技术研究成果高达 10% 的有效结果。同时,我们还首次量化评估了运动分割算法,达到了大约 90% 的准确度。
Apr, 2019
本文介绍了一种基于事件相机的运动分割方法,可以成功应用于复杂的大规模室外环境,采用创新的分而治之流程结合状态理解模块和光流模块,以及基于 Transformer 的时间关注模块进行运动分割,在经典的室内 EV-IMO 基准测试和基于 DSEC 事件数据集的新生成的动态分割和跟踪基准测试中取得了最新的最佳表现。
Mar, 2024
通过在事件数据和光流信息上利用自监督变换器,我们提出的方法克服了事件驱动运动分割的限制,消除了人工注释的需求,并减少了参数调整问题,实现了在多个数据集上与现有方法相比的最新性能,适用于高动态航空平台上的高清事件摄像头在城市环境中处理各种类型的运动并处理任意数量的移动对象。
May, 2024
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
本文提出了利用事件相机数据进行自我中心行为识别的两种策略,并将其应用于首个基于事件相机的视频数据集,结果表明,事件数据不仅可在不需要流计算的情况下提供与 RGB 和光流同等的性能,而且相比仅使用 RGB 信息提高了 4%的表现。
Dec, 2021
本文提出了一种使用事件相机实现实时的视觉里程计的解决方案,其中包括基于视觉一致性的立体事件数据融合的半密集三维场景重建以及通过选定的地图和事件数据表示解决的姿态恢复问题。该系统成功利用事件相机的优势,在高速和大动态范围场景下进行视觉里程计,并在标准 CPU 上以实时运行,已在公开数据集和作者的数据集上进行了测试。
Jul, 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
论文探讨了事件相机在图像分割和运动估计领域的应用。我们引入了一种基于广义纳什均衡的框架,利用从事件流中得出的时间和空间信息进行分割和速度估计。通过一系列实验展示了该方法的有效性。
Jul, 2023
通过几何约束,我们提出了一种基于事件感知的独立运动物体伪标签生成的无监督方法,可以处理任意数量的无先验对象,并能够在缺乏昂贵的物体运动标签的数据集上进行可扩展的评估。我们在 EVIMO 数据集上进行了验证,并从定量和定性上表明其与有监督方法具有竞争性。
Nov, 2023