Apr, 2023

EV-Catcher: 使用低延迟事件驱动神经网络实现高速目标捕捉

PDF
TL;DR使用事件传感器进行实时感知的轻量化学习方法。可用于快速移动物体的准确检测。在实验中，对于打向不同位置、速度达到 13m/s 的乒乓球，成功率高达 81%。
发现论文，激发创造
  • EDeNN: 用于低延迟视觉的事件衰减神经网络

    利用事件相机的异步像素来开发新型神经网络在角速度回归和光流估计方面表现出最先进的性能。

    Sep, 2022

  • 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

  • 基于事件相机的物体识别的注意力机制

    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

  • HATS: 基于均值时间曲面直方图的鲁棒事件驱动物体分类

    本文介绍了一种新的事件相机特征表示方法和新的机器学习架构，并发布了第一个用于对象分类的大型真实事件数据集，经过广泛的实验证明，相对先前的方法，本文方法具有更好的分类性能和实时计算能力。

    Mar, 2018

  • 事件驱动视觉：综述

    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

  • 事件驱动视觉识别任务中的准确性差距缩小

    本文研究基于事件驱动的异步脉冲神经网络，并通过将经典的基于帧数据训练的卷积神经网络转换为异步网络，以在计算预算紧张的条件下实现低功耗、快速和嵌入式的神经网络视觉解决方案，其中应用范例是机器人跟踪移动目标。研究发现，异步网络的分类准确率仅比同步 CNN 低 3％，但计算量却减少了 12 倍。

    May, 2019

  • 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

  • 自动驾驶中基于事件的深度目标检测：综述

    事件相机在自动驾驶中利用事件数据进行目标检测具有竞争优势。该论文提供了事件相机在自动驾驶中目标检测的概述，强调了事件相机的低延迟和轻量级架构的竞争性优势。

    May, 2024

  • 仿微小眼跳的事件相机用于机器人学

    通过在事件相机的光圈前安装旋转楔形棱镜，我们设计了一种基于仿生微眼球震动的事件感知系统，能够同时维持低反应时间和稳定的纹理外观。AMI-EV 硬件设备和软件解决方案被集成到一个系统中，并在标准相机和事件相机均无法提供满意结果的场景中得到了验证。多种真实世界实验证明该系统在低级别和高级别视觉任务中促进机器人感知的潜力。

    May, 2024

  • EventNet：异步递归事件处理

    本研究提出了 EventNet，一种基于新型视觉传感器的神经网络，旨在实时处理异步事件流，并采用了新的时间编码方案来建模输出对数万个因果事件的依赖关系，同时在标准 CPU 上每秒处理百万个事件，通过实验验证了该框架的实时性和稳健性。

    Dec, 2018