ICCVDec, 2021

N-ImageNet：使用事件相机实现强健、细粒度目标识别

PDF
TL;DR本研究介绍了 N-ImageNet 数据集，用于强健细粒度物体识别与事件摄像头。该数据集经过程序控制的硬件收集，具有大量的类别和样本，已被证实在事件物体识别的预训练中，有助于学习少量标注数据，同时还提出了 N-ImageNet 的几个变体以测试事件分类器在各种环境下的稳健性。本研究也提出了一种新的事件表示法，以缓解性能降级，并在环境条件不同的情况下比较事件物体识别算法之间的差异。因此，N-ImageNet 及其变体有望指导实际部署事件物体识别算法在现实世界中的使用。
n-imagenetobject recognitionevent cameraspretrainingenvironmental conditions
发现论文，激发创造
  • 使用 100 万像素事件相机学习物体检测

    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

  • 基于对象场景卷积神经网络的图像事件识别

    本文提出一种基于深度神经网络的新型架构 OS-CNN，分解为物体和场景两个网络，分别从物体和场景的角度提取有用信息，设计了不同的网络架构，最终提出了一种 5 个流 CNN 的解决方案，在 ChaLearn Looking at People (LAP) challenge 2015 比赛中取得了 85.5% 的性能并排名第 1。

    May, 2015

  • EventGAN：利用大规模图像数据集改进事件相机

    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

  • 从事件相机到视频：将现代计算机视觉引入事件相机

    研究使用成熟的计算机视觉技术对从事件数据中重建的视频进行对象分类和图像重建，从而充分发挥事件相机的优异特性。

    Apr, 2019

  • 利用事件相机观测夜间运动

    我们提出了一种针对夜间动态场景的新方法，利用事件相机进行成像。我们通过时间尾随特性和空间非均匀分布的观察，构建了一个夜间事件重建网络，包括学习能力的事件时间戳校准模块以对齐时间尾随事件，和一个非均匀光照感知模块以稳定时空事件分布。通过构建配对的真实低光事件数据集，我们的方法在视觉质量和泛化能力上都优于现有方法。

    Apr, 2024

  • 降低事件相机的模拟到现实差距

    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

  • 事件增强高质量图像恢复

    本文提出了一种可解释的网络，即基于事件增强的稀疏学习网络 (eSL-Net)，用于从事件相机中恢复高质量图像，并通过稀疏学习框架共同考虑事件和低分辨率强度观测，经过合成数据集的训练，可以将表现提高 7-12dB，在不需要额外训练的情况下，可以轻松扩展到具有与事件相同高帧率的连续帧的生成。

    Jul, 2020

  • 事件相机实现高速和高动态范围视频

    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

  • 视频转事件：为事件相机回收视频数据集

    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

  • ES-ImageNet: 百万事件流分类数据集，用于脉冲神经网络

    本研究提出了一种稳健的算法 OmniDirectional Discrete Gradient (ODG) 将 ILSVRC2012 计算机视觉数据集转换为其事件流版本，生成了大约 130 万帧图像，转换成 1000 类 ES 样本，提供了一个软件完全生成的 ES 数据集 ES-ImageNet，并通过多种方式分析了其性能和统计信息

    Oct, 2021