Apr, 2024

基于神经形态学视觉的图形转换神经网络的运动分割

PDF
TL;DR提出了一种使用图转换神经网络的新型基于事件的运动分割算法，用于处理事件流以揭示事件之间的局部和全局时空相关性，并在没有先验知识的情况下从背景中分割出移动对象。通过在公开可用的数据集上进行训练，并使用动态物体掩膜感知事件标签生成方法生成近似的地面真值标签，该算法在多个未见数据集上进行了严格实验，结果显示在动态背景变化、运动模式和多个不同大小和速度的动态物体存在的情况下，GTNN 的表现优于其他方法，平均运动分割精度 (IoU%) 和检测率 (DR%) 相应增加了 9.4% 和 4.5%。
moving object segmentationneuromorphic vision sensorsevent-based motion segmentationgraph transformer neural networkmotion segmentation accuracy
发现论文，激发创造
  • 用归纳图神经网络进行移动目标分割

    本研究提出一种基于图神经网络的算法，名为 Graph Inductive Moving Object Segmentation (GraphIMOS), 解决了电脑视觉中的运动对象分割问题。算法可以在新添加的数据帧上执行预测，并在真实世界应用中超越了以前的归纳学习方法和所有以前的传导技术。该算法使得以图为基础的 MOS 模型能够应用于真实世界中的应用。

    May, 2023

  • 基于图谱谱聚类的事件视觉移动物体检测

    本文提出了一种基于图谱谱聚类技术的无监督运动目标检测方法，可在事件数据中有效地检测运动目标。实验结果显示，该算法在公开数据集中的性能优于多种最先进的技术。

    Sep, 2021

  • 无监督神经形态空中监视运动分割

    通过在事件数据和光流信息上利用自监督变换器，我们提出的方法克服了事件驱动运动分割的限制，消除了人工注释的需求，并减少了参数调整问题，实现了在多个数据集上与现有方法相比的最新性能，适用于高动态航空平台上的高清事件摄像头在城市环境中处理各种类型的运动并处理任意数量的移动对象。

    May, 2024

  • 基于 GNEP 的神经形态成像动态分割与运动估计

    论文探讨了事件相机在图像分割和运动估计领域的应用。我们引入了一种基于广义纳什均衡的框架，利用从事件流中得出的时间和空间信息进行分割和速度估计。通过一系列实验展示了该方法的有效性。

    Jul, 2023

  • 基于异步事件的全景分割的图混合神经网络

    本文提出了一种名为 Graph Mixer Neural Network 的算法，采用协同上下文混合层来解决动态条件下物体分割遇到的挑战。本方法在事件图上应用，并通过四个最近邻层级并行地传播了时空相关性。实验表明该方法表现优于最先进的方法。

    May, 2023

  • 室外场景：面向复杂场景的动态事件分割的普适化

    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

  • EvSegSNN: 事件数据的神经形态语义分割

    通过将脉冲神经网络与事件摄像头相结合，我们设计了一种生物可行的编码器 - 解码器 U 型架构的语义分割方法，旨在在性能与资源使用之间进行权衡。实验证明 EvSegSNN 在 MIoU 方面优于最接近的最新模型，同时参数数量减少了 1.6 倍，省去了批归一化阶段。

    Jun, 2024

  • 基于图学习的神经形态成像和分类

    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

  • 基于时空图割的事件驱动运动分割

    本研究开发了一种基于事件的相机的方法，将问题转化为涉及多个运动模型的能量最小化问题，并利用时空图的形式下的输入事件数据的结构迭代地解决事件聚类分配和运动模型拟合两个子问题。实验结果表明，该方法具有很高的灵活性，在不同的场景中能够获取不同运动模式和移动物体的数量。

    Dec, 2020

  • 无监督事件驱动独立运动分割

    通过几何约束，我们提出了一种基于事件感知的独立运动物体伪标签生成的无监督方法，可以处理任意数量的无先验对象，并能够在缺乏昂贵的物体运动标签的数据集上进行可扩展的评估。我们在 EVIMO 数据集上进行了验证，并从定量和定性上表明其与有监督方法具有竞争性。

    Nov, 2023