Jan, 2024

ShapeAug：事件相机数据的遮挡增强

PDF
TL;DR提出了一种新的事件数据增强方法，通过引入场景中的随机移动物体的合成事件来解决覆盖问题；该方法在多个动态视觉传感器分类数据集上进行了测试，使得 top1 准确率相对提升了最多 6.5%；此外，还将增强技术应用于真实世界的汽车事件数据集，特别是对行人的检测准确率提高了最多 5%。
发现论文，激发创造
  • V2CE: 视频到连续事件模拟器

    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

  • EV-SegNet：事件相机的语义分割

    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

  • 通过事件相机看透动态遮挡

    通过结合传统相机和事件相机，本文提出了一种在动态遮挡存在的情况下从单个视点重建背景的新方法，利用遮挡引起的事件提供高时间分辨率的相对强度变化信息，实现对背景内容的更准确重建。通过大规模数据集的实验证明，我们的方法在图像修复方面比图像修复方法的 PSNR 提高了 3dB。

    Jul, 2023

  • 基于事件的移动物体检测与跟踪

    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

  • EventZoom：用于增强神经形态视觉的事件数据增强渐进方法

    EventZoom 是一种针对事件数据的数据增强策略，利用渐进式时间策略智能地融合时间和空间，增强数据的多样性和复杂性，从而提高模型训练的数据质量，并增强算法在处理复杂动态场景中的适应性和稳健性。通过在各种监督学习框架中实验验证，结果表明 EventZoom 始终优于其他数据增强方法，在不同的学习环境中作为强大的事件数据增强工具具有效果和适用性。

    May, 2024

  • 高分辨率事件相机行人检测

    本文研究使用事件相机结合深度学习进行行人检测任务，并比较了不同处理方法的效果，结果表明事件相机是解决现有问题的潜在技术。

    May, 2023

  • 视频转事件：为事件相机回收视频数据集

    本文提出了一种利用现有的传统相机记录的视频数据生成虚拟事件数据的方法，从而使得神经网络能够使用大量的现有数据集进行训练，从而在物体识别和语义分割领域取得了良好的效果。

    Dec, 2019

  • 事件相机数据集和模拟器：用于姿态估计、视觉里程计和 SLAM 的基于事件的数据

    介绍了 Dynamic and Active-pixel Vision sensor（简称 DAVIS）的特点及其在机器人技术和计算机视觉方面的潜在应用，同时公开了一组 DAVIS 数据集，旨在激发研究人员对于高速和高动态范围机器人技术和计算机视觉应用新算法的研究。

    Oct, 2016

  • 基于事件的稀疏事件补全的扩散 - 细化方法

    通过基于扩散的生成模型以及维护原始数据的时间分辨率等方法，我们提出了一种创新的事件序列补全方法，发掘事件相机的全部潜力，并生成高质量的密集事件，从而有利于目标分类和强度帧重建。

    Jan, 2024

  • DDD17: DAVIS 自动驾驶端到端数据集

    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