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
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
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
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
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
利用 Dynamic Vision Sensor(DVS)从多个角度进行视频到事件流转换的新方法,并通过严格的验证证明了其当前为最先进技术。
Sep, 2023
本研究介绍了一种基于深度学习的事件相机语义分割方法,具有比基于灰度图的方法更好的性能,同时提出了一种新的事件相机数据表示方法,并描述了如何利用自动生成的近似语义分割标签对 DDD17 数据集进行训练,从而应对数据集标签不足的问题。
Nov, 2018
研究使用事件相机与主动像素传感器流进行端到端自动驾驶学习,提供了一种解决当前图像获取技术限制的方法,并使用卷积神经网络训练,该研究还提供了第一个标注的 DAVIS 驾驶记录开放数据集 DDD17。
Nov, 2017
本文提出了一个深度神经网络方法,使事件摄像头在车辆转向角度预测等困难运动估计任务上发挥潜力,并展示了从传统到基于事件的视觉进行传递学习的优势和优于基于标准摄像头的最先进算法的表现。
Apr, 2018