浑浊介质中的事件驱动成像:光电子学和神经形态计算的融合
提出了一种新的图表示方法将事件数据与图转换器相结合,用于准确的神经形态分类任务。通过广泛实验表明,该方法在仅有少量事件和有限计算资源的困难真实场景中表现出优异效果,为嵌入移动设备的神经形态应用开辟了道路。
Sep, 2023
提出了一个基于事件的二进制重建方法,利用双模态目标的属性先后在事件空间和图像空间中执行推理,并合并两个领域的结果以生成清晰的二进制图像。还开发了一种有效的集成方法,将该二进制图像传播到高帧速率的二进制视频中。最后,提出了一种新方法,用于自动识别阈值,将事件和图像自然融合起来。在公开可用和自己收集的数据序列中评估了该方法,并表明在仅使用 CPU 设备的实时环境中,该方法能够优于目前最先进的方法生成高帧速率的二进制视频。
Feb, 2024
研究提出了一种结合时间透镜的新型神经网络架构,利用事件视觉和脉冲神经网络技术,以及基于活动和延迟分析的模型简化方法,提高了光流预测的速度并减少了复杂度,同时保持了高精度特性,为实时部署提供了可能性。
Apr, 2023
本文研究神经形态工程的应用,探讨图像处理中的视觉任务、异性扩散和神经形态视觉传感器的角色;介绍 memristors 在执行图像分割和实现人工视觉系统中的应用,讨论硬件加速器的使用,和异步信号传输协议,同时探讨计算机视觉进展可能直接受益于非易失性记忆器技术的案例。
Aug, 2022
神经形态计算有望比传统的冯・诺依曼计算模式在能效上提升数个数量级。其目标是通过学习和模拟大脑功能来开发自适应、容错、低占用、快速、低能耗的智能系统,可以通过在材料、器件、电路、架构和算法等不同抽象层面上进行创新来实现。随着复杂视觉任务的能耗因大型数据集而呈指数增长,并且资源受限的边缘设备变得越来越普遍,基于脉冲的神经形态计算方法可以成为在当前主导视觉领域的深度卷积神经网络的可行替代方案。在本书章节中,我们介绍了神经形态计算,概述了设计堆栈的几个代表性示例(器件、电路和算法),并总结了一些令人兴奋的应用和未来的研究方向,这些方向在近期的计算机视觉中似乎很有前景。
Oct, 2023
NeuDOT 是一种全新的散射光学层析成像方法,基于神经场理论将光学吸收量连续编码到体积内,实现高精度、高分辨率成像,适用于医学成像、遥感和自动驾驶等领域。
Apr, 2023
光学成像和传感系统基于衍射元件取得了巨大的进展,最近使用深度学习和数字神经网络的研究努力使衍射处理器与数字神经网络合作优化,建立了输入电磁波与后端处理数字化信息之间的新的 “衍射语言”,从而为各种应用提供了巨大的潜力。
Jun, 2024
生物神经系统是计算机更快、更便宜和更能效的重要灵感源泉。神经形态学学科将大脑视为一个共同进化的系统,同时优化硬件和运行在其上的算法。本文提出了一个基于时空感受野的神经形态系统的有原则的计算模型,通过空间上的仿射高斯核和时间上的漏积分器和漏积分发放模型。我们的理论在空间和时间尺度变换上可证明是协变的,并与哺乳动物大脑的视觉处理有很多相似之处。我们将这些时空感受野作为事件驱动视觉任务中的先验知识,并展示这能够提高脉冲网络的训练效果,在事件驱动视觉中通常被认为是有问题的。本研究结合了尺度空间理论和计算神经科学的努力,寻找在神经形态系统中处理时空信号的理论基础,这对信号处理和事件驱动视觉具有直接的相关性,并且可以扩展到其他空间和时间处理任务,如记忆和控制。
May, 2024
我们提出了一种光信号处理方案,在检测之前通过适当设计的线性变换器对光信号进行空间重新分布,以增强视觉感知任务的检测噪声鲁棒性,并通过 MNIST 分类的基准测试进行了验证。这种计算优先的检测方案可以推动广泛应用于工业和国防领域的红外机器视觉技术的发展。
Mar, 2024