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
提出 AsynHDR 像素异步 HDR 成像系统,通过动态视觉传感器(DVS)与液晶面板集成,利用液晶面板的透明度调节来触发独立于像素的事件流,然后通过时间加权算法从事件流解码出 HDR 图像,实验证明该系统在 HDR 成像任务中的可行性。
Mar, 2024
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
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
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
该研究介绍了一种使用静止事件相机在静态场景中实现事件转换为密集强度图像的方法,并通过时间映射神经网络将时序矩阵转换为强度帧。实验证明该方法在动态范围、细节和灰度分辨率方面表现出卓越的性能,并比其他方法在下游计算机视觉任务上表现出更好的性能。
基于人脑中的预测编码模型和期望抑制现象,我们提出了一种时间注意机制,通过控制相机的输出使其仅在无法很好预测的情况下注意到视觉事件,从而不仅减少了传感器 - 处理器接口的能耗,而且通过过滤噪声事件有效地减少了计算工作量,我们证明了这种预测注意机制可将相机和处理器之间的数据通信量减少 46.7%,处理器上的计算活动减少 43.8%。
Feb, 2024
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
本文提出 v2e 工具箱,可以从强度帧中生成逼真的合成 DVS 事件,用于训练网络以适应不受控制的光照条件,在 N-Caltech 101 数据集上的物体识别实验和夜间驾驶中的汽车检测优化实验中取得了良好实验结果。
Jun, 2020
提出针对神经形态感知相机的人体动作识别和跌倒检测数据集,使用先进视觉模型 Fine-tuned 的方法,各模型准确度分别为:DVS-MViT(0.958),DVS-C2D(0.916),DVS-R2+1D(0.875)和 DVS-SlowFast(0.833)。
Jan, 2022