介绍了 Dynamic and Active-pixel Vision sensor（简称 DAVIS）的特点及其在机器人技术和计算机视觉方面的潜在应用，同时公开了一组 DAVIS 数据集，旨在激发研究人员对于高速和高动态范围机器人技术和计算机视觉应用新算法的研究。

Oct, 2016

通过优化降落轨迹，在月球表面生成一系列逼真的图像，并利用事件相机模拟器将其转换为事件流，从而构建了包含事件流和运动场地真值数据的 500 个轨迹的数据集，旨在支持基于事件的太空航姿态重建问题的研究。

Aug, 2023

通过多模态跟踪和知识蒸馏方法，在高分辨率事件信号下实现了高速低延迟的视觉跟踪的研究。

Sep, 2023

最近，事件驱动视觉传感器受到了自动驾驶应用的关注，因为传统的 RGB 相机在处理具有挑战性的动态条件时存在局限性。然而，现实世界和合成的事件驱动视觉数据集的可用性仍然有限。为了填补这一空白，我们提出了 SEVD，这是一种首个使用 CARLA 模拟器中的多个动态视觉传感器的多视点自我和固定感知合成的事件驱动数据集。数据序列记录在不同的光照条件（中午、夜间、黄昏）和天气条件（晴朗、多云、潮湿、多雨、雾霾）下进行，具有域漂移（离散和连续）。SEVD 跨越城市、郊区、乡村和高速公路场景，涵盖了各类物体（汽车、卡车、货车、自行车、摩托车和行人）。除了事件数据，SEVD 还包括 RGB 图像、深度图、光流、语义和实例分割，有助于全面了解场景。此外，我们使用最先进的事件驱动方法（RED，RVT）和基于帧的方法（YOLOv8）评估数据集的交通参与者检测任务，并提供基准标准进行评估。此外，我们进行实验评估合成事件驱动数据集的泛化能力。数据集可在此 https URL 获得。

Apr, 2024

通过第一次完全使用神经形态学视觉控制系统来自由控制飞行的实验，研究使用事件处理相机数据和脉冲神经网络实现无人驾驶和智能飞行机器人等基础任务的关键技术。

Mar, 2023

本文介绍了具有特定重点的下一代航天器姿态估计数据集，包括用于训练的 6 万个合成图像和由测试床拍摄的 9531 个具有准确和最大多样化姿态标签的硬件在环图像，旨在评估和比较基于合成图像训练的空间机器学习模型的鲁棒性。

Oct, 2021

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

本文提出了一个大规模的可见事件跟踪基准测试（VisEvent），由 820 个视频对组成，其中包含以低照度、高速和背景杂波为特点的数据集，将事件流转换为事件图像，并构建了 30 多种基线算法和一个简单但有效的跨模态转换器，以实现可见数据和事件数据之间的更有效特征融合。实验结果验证了模型的有效性。

Aug, 2021

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

本文提出了一种用于自动驾驶的联邦变压器学习方法 FedBEVT，其使用多视角相机数据来学习模型，并解决了数据异构问题，如多传感器姿态和感知系统中不同的传感器数量。在实际场景中的性能优于基线方案，展示了该方法在提高鸟瞰图感知中的潜力。

Apr, 2023