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

本研究提出了一种通用的框架，将基于同步图像事件表示训练的模型转换为具有相同输出的异步模型，以便直接利用事件数据的本质异步性和稀疏性，并在目标检测和识别任务中实现了高达 20 倍计算复杂度的降低和 24% 的精度提高。

Mar, 2020

该论文介绍了一种利用事件相机和标准相机的互补性来实现低延迟跟踪视觉特征的方法，通过提取标准相机的特征和利用事件相机的低延迟更新，该方法能够在各种场景下产生比现有技术更准确、更长的特征跟踪。

Jul, 2018

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

本文提出了异步事件跟踪（ETD）方法，基于异步视网膜事件以及自适应时间表面与线性时间衰减（ATSLTD）算法。该方法实现了在具有较高时间分辨率的情况下，对包围框对象的准确和高效跟踪。实验结果表明，相对于传统摄像头或事件相机的七种常用对象跟踪方法以及 ETD 的两种变体，该方法具有更好的处理能力。

Feb, 2020

本文介绍了将事件流转化成基于网格的表示的通用框架，其具有两个主要优势：（i）允许端到端学习输入事件表示，（ii）提供了一个统一记录大多数事件表示的分类法，并识别出新的事件表示方法。通过实验证明，我们的端到端学习事件表示的方法相对于现有技术方法，在光流估计和目标识别上都有约 12％的改进。

Apr, 2019

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

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