本研究开发了一种基于事件的相机的方法，将问题转化为涉及多个运动模型的能量最小化问题，并利用时空图的形式下的输入事件数据的结构迭代地解决事件聚类分配和运动模型拟合两个子问题。实验结果表明，该方法具有很高的灵活性，在不同的场景中能够获取不同运动模式和移动物体的数量。

Dec, 2020

本文提出了一种基于动态视觉传感器的异步相机的新颖跟踪算法，该算法可以在极低光和噪声条件下，无需任何外部传感器，且无需任何特征跟踪或显式光流计算即可检测和跟踪不同移动对象。

Mar, 2018

本研究提出了一种新型的神经视觉感测器设备，可以实现更高效的事件采样率，更高的能量效率，更强的抗干扰性，同时提出了一种用于神经视觉感测器设备的紧凑图表征方法和残差图卷积神经网络架构，同时提出了一个大型的美国手语字母 NVS 数据集，用于复杂手语字母的识别任务。

Aug, 2019

提出了一种使用图转换神经网络的新型基于事件的运动分割算法，用于处理事件流以揭示事件之间的局部和全局时空相关性，并在没有先验知识的情况下从背景中分割出移动对象。通过在公开可用的数据集上进行训练，并使用动态物体掩膜感知事件标签生成方法生成近似的地面真值标签，该算法在多个未见数据集上进行了严格实验，结果显示在动态背景变化、运动模式和多个不同大小和速度的动态物体存在的情况下，GTNN 的表现优于其他方法，平均运动分割精度 (IoU%) 和检测率 (DR%) 相应增加了 9.4% 和 4.5%。

Apr, 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

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

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

本研究介绍了一种基于图的事件相机新框架 SlideGCN，通过事件逐个处理并保持图的内部结构，从而高效处理事件数据并保持低延迟特性。在图构建方面，采用半径搜索算法来更好地利用事件云的部分规则结构。实验结果表明，相较于当前基于图的方法，我们的方法在保持最先进的目标识别性能的同时，将计算复杂度降低了 100 倍。此外，通过事件级处理，我们验证了该方法的优越性，当状态稳定时，能够以高置信度进行早期识别。

Aug, 2023

本文提出了利用事件驱动视觉传感器的独特特性进行实时聚类的技术，以降低计算成本，提高多目标跟踪的准确性。通过数据集和实际物体操纵任务的实验验证了该方法的有效性。

Jul, 2018

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