Sep, 2021

StereoSpike：基于脉冲神经网络的深度学习

PDF
TL;DR使用神经形态学方法和多车立体事件相机数据集 (MVSEC)，结合双脉冲事件相机和脉冲神经网络 (SNN) 的编码器 - 解码器架构，开发了一种新颖的神经元模仿方法 (StereoSpike) 来解决深度估计问题，并得到了最先进的测试准确性。
发现论文，激发创造
  • 基于跨模态知识蒸馏的事件相机深度估计的新型脉冲变压器网络

    基于脉冲相机数据的纯脉冲驱动脉冲变压器网络模型以及跨模态知识迁移框架，在深度估计领域取得了显著提升的结果，同时减少了功耗消耗。

    Apr, 2024

  • 基于脉冲神经网络的汽车事件数据目标检测

    通过使用事件摄像头直接训练尖峰神经网络，以设计快速高效的汽车嵌入式应用程序，并且采用了最新的尖峰反向传播方法，成功地针对 GEN1 汽车检测事件数据集提出了尖峰神经网络实现目标检测的方法。

    May, 2022

  • 立体视觉在深度精确测量中的重要性：一种有效的半监督深度神经网络方法

    在自动驾驶车辆的背景下，本文重新审视视觉深度估计问题。我们提出了一种新颖的半监督学习方法来训练深度立体神经网络，并提出了一种包含机器学习的 argmax 层和定制运行时的体系结构，可在嵌入式 GPU 上运行一个较小版本的我们的 Stereo DNN。在 KITTI 2015 立体数据集上展示了有竞争力的结果。

    Mar, 2018

  • FastDepth：嵌入式系统上的快速单目深度估计

    本文提出了一种在嵌入式系统上实现快速单视图深度估计的高效轻量级编码器 - 解码器网络架构，涉及深度感知、机器人任务以及神经网络等关键词。在使用 NVIDIA Jetson TX2 GPU 或仅使用 TX2 CPU 时，FastDepth 可以达到每秒 178 帧或每秒 27 帧，并保持低功耗，同时在 NYU Depth v2 数据集上达到接近业界最佳准确度，是目前作者所知道的实时单目深度估计最低延迟最高吞吐量的深度神经网络。

    Mar, 2019

  • 从事件中学习单目浓密深度

    本文介绍了事件相机及其与传统图像传感器的区别，讨论了基于学习的方法如何应用于事件数据，提出了使用循环架构来预测单眼深度的新方法，并在 CARLA 模拟器数据集上进行了预训练并在 MVSEC 上进行了测试，结果表明平均深度误差减小了 50%。

    Oct, 2020

  • SDNet: 基于语义引导的深度估计网络

    论文提出了一种同时预测深度估计和语义分割输出的 CNN 模型，通过对单目输入图像进行实验，我们证明了该模型对于场景理解和深度估计能力达到了最新的研究水平。

    Jul, 2019

  • 无监督卷积神经网络用于单视角深度估计：几何的拯救

    本文提出了一种基于自编码器的无监督深度卷积神经网络学习框架，通过训练不需要预训练或注释的神经网络，为单视图深度预测提供了一种新的方法。

    Mar, 2016

  • 时空循环神经网络用于基于事件的光流估计

    本文提出了一种新颖的输入表示法，捕捉事件的时间分布以增强信号，并介绍了一种利用卷积门控循环单元从一系列事件图像中提取特征图的时空循环编码 - 解码神经网络体系结构，其中允许整合一些基于帧的核心模块，如相关层和迭代残差精化方案，它在 Multi-VehicleStereoEventCamera 数据集上进行自我监督学习的端到端训练，表现优于现有所有最先进的方法。

    Sep, 2021

  • Spike-FlowNet: 基于事件的光流估计与节能混合神经网络

    该论文介绍了一个基于 Spike-FlowNet 的深度混合神经网络体系结构，用于有效地估计来自稀疏事件相机输出的光流，同时提供了显着的计算效率。

    Mar, 2020

  • 使用极线时空网络的多视角深度估计

    本文提出了一种针对多视角深度估计的新方法，使用 Epipolar 时空变换器和混合专家模型，实现与 SOTA 方法相比更高的估计精度和速度。

    Nov, 2020