EventSleep: 使用事件相机进行睡眠活动识别
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
利用视频数据和深层迁移学习的方法,通过心率、呼吸速率和活动度等参数对睡眠进行分类,其在 50 名正常志愿者数据集上实现了 73.4% 的准确率和 Cohen's kappa 系数 0.61,成为基于视频的睡眠分级的最新研究水平。
Jun, 2023
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
利用可穿戴相机的图像数据,结合卷积神经网络和递归神经网络的优点,提出了一种基于批量处理的系统来识别 21 种日常活动,准确率达 89.85%,优于现有的端到端方法。
Oct, 2017
本文介绍了一种用于提高事件基于 CNNs 的训练数据的策略,可为视频重建网络和光流网络带来 20-40%的性能提升,并提出了一种新的高质量数据集 HQF 以解决事件基于视频重建缺乏质量地真实图像的问题。
Mar, 2020
本文提出了一个大规模的基准数据集 HARDVS 来填补基于事件相机的人类活动识别领域的数据空缺,同时还提出了一个名为 ESTF 的新的空间 - 时间特征学习和融合框架,结合了 STEMNET 和 Transformer 矩阵计算。结果表明,ESTF 能够有效地学习和推断人类活动。
Nov, 2022
本文提出了利用事件相机数据进行自我中心行为识别的两种策略,并将其应用于首个基于事件相机的视频数据集,结果表明,事件数据不仅可在不需要流计算的情况下提供与 RGB 和光流同等的性能,而且相比仅使用 RGB 信息提高了 4%的表现。
Dec, 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
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