我们提出了一种针对夜间动态场景的新方法，利用事件相机进行成像。我们通过时间尾随特性和空间非均匀分布的观察，构建了一个夜间事件重建网络，包括学习能力的事件时间戳校准模块以对齐时间尾随事件，和一个非均匀光照感知模块以稳定时空事件分布。通过构建配对的真实低光事件数据集，我们的方法在视觉质量和泛化能力上都优于现有方法。

Apr, 2024

针对传统基于帧的摄像机由于动态范围受限而导致的信息丢失，我们引入了生物启发式事件摄像机，并提出了一种新颖的结构感知融合网络（SFNet），通过跨模态融合从事件流中提取清晰和完整的物体结构，以补偿图像中的信息丢失，从而使网络能够获得对光照鲁棒的交通物体检测表示。

Nov, 2023

使用事件相机收集航拍图像由于图像传感器的能效较高而具有吸引力，然而，事件相机使得后续图像处理复杂化，尤其是在对象检测等复杂任务中。本文研究了事件流在航拍对象检测中的可行性，并证明了密集事件表示与对应的 RGB 帧之间性能存在显著差距的因果关系，其中一部分是由于事件表示与初始化目标检测器权重的预训练数据的重叠不足。然后，我们应用事件到视频转换模型将事件流转换为灰度视频以填补这一差距，结果表明该方法显著提高了性能，甚至在航拍目标任务上优于特定于事件的对象检测技术。这些结果表明事件表示与现有大规模预训练模型之间更好的对齐可能会带来比端到端事件特定架构改进更大的短期性能收益。

Feb, 2024

针对类别未知的对象进行高速、类别无关的开放世界目标检测，我们提出了使用事件相机的 DEOE 方法，该方法在时空一致性的基础上，结合了快速事件感知的骨干网络和解耦的物体性质分类头，实现了对新对象的定位以及背景过滤的强大能力。实验证实了我们提出的 DEOE 方法相对于现有的 RGB-based CAOD 对象检测方法的卓越性能。

Apr, 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

我们提出了一种新颖的知识蒸馏方法，通过使用面向对象的槽注意机制来改善事件相机的实时目标检测性能，减小与 RGB 检测器之间的性能差距。

Nov, 2023

LEOD 是第一个能够节省标签的事件感知目标检测框架，通过弱监督、半监督和自监督学习机制，利用有限标签在未标记事件上生成伪标签，并通过双向推理和基于跟踪的后处理提高伪标签的质量。通过引入新的实验协议，在 Gen1 和 1Mpx 数据集上评估基于事件感知的节约标签的目标检测任务，LEOD 在各种标签比率下始终优于基准方法，甚至在所有标记数据都可用时达到了新的最优结果。此外，LEOD 方法还能应用于改进更大的检测器。

Nov, 2023

本文提出了一种名为 CEUTrack 的单阶段骨干网络，该网络通过 Transformer 骨干网络实现了特征提取、融合、匹配和互动学习等功能，用于对基于颜色和事件的物体进行跟踪。此外，我们还提出了一个大规模基准数据集 COESOT，并提出了一种新的评估指标 BOC。

Nov, 2022

该论文提出一种新的雷达引导空间注意力融合方法，以提高自动驾驶车辆在动态环境下的感知质量，用于检测远距离和小型物体，并在 nuScenes 数据集上进行验证，结果表明该方法在提高基线 yolov3 检测器的召回率方面有了较大的改进。

Jun, 2022

该研究介绍了一种创新的框架，针对低光条件下的视频物体分割，利用事件相机数据提高分割准确性。该方法包括自适应跨模态融合模块（ACMF）和事件引导的内存匹配模块（EGMM），并创建了一个合成的 LLE-DAVIS 数据集和一个真实世界的 LLE-VOS 数据集，实验证实了该方法在低光照情况下的有效性。

Apr, 2024