注意分心事件追踪
本文提出了基于视觉关注的两种事件视觉注意力模型,一种通过跟踪视野内的事件活动来定位关注区域,另一种基于 DRAW 神经模型和全微分注意力程序,使用 Phased LSTM 识别网络作为基线参考模型并在四个数据集上进行验证,获得了在平移和尺度不变性方面的提升。
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
该论文介绍了一种基于神经网络的异步处理 Event-based Camera 事件流的方法,利用前一时刻的动态信息和灰度帧的关键特征,提取事件中的动态信息,相较现有同类研究结果表现优异。
Apr, 2019
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
本文关注于学习一种能够识别语义背景干扰的 Siamese 追踪网络,提出了一种有效的训练策略和增量学习模块,同时引入局部到全局搜索策略,实现了在多个数据集上的显著表现。
Aug, 2018
本文介绍了一种基于事件相机的运动分割方法,可以成功应用于复杂的大规模室外环境,采用创新的分而治之流程结合状态理解模块和光流模块,以及基于 Transformer 的时间关注模块进行运动分割,在经典的室内 EV-IMO 基准测试和基于 DSEC 事件数据集的新生成的动态分割和跟踪基准测试中取得了最新的最佳表现。
Mar, 2024
本文提出了一种基于事件相机和深度神经网络的实时物体追踪方法,使用同步时间表面和线性时间衰减表示异步视网膜事件的信息,并通过独创的神经网络模型处理各种复杂的情况,如快速动态和低照度条件等使得实验结果表明该方法优于以往传统的物体追踪方法。
Feb, 2020