May, 2024

EventZoom：用于增强神经形态视觉的事件数据增强渐进方法

PDF
TL;DREventZoom 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。
dynamic vision sensorsevent datadata augmentationtemporal strategysupervised learning
发现论文，激发创造
  • ShapeAug：事件相机数据的遮挡增强

    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%。

    Jan, 2024

  • 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

  • 基于事件流的视觉目标跟踪：一个高分辨率基准数据集和一种新的基线模型

    通过多模态跟踪和知识蒸馏方法，在高分辨率事件信号下实现了高速低延迟的视觉跟踪的研究。

    Sep, 2023

  • EventDrop：面向事件驱动学习的数据增强

    本文提出了 EventDrop，一种简单易于实现的方法，通过删除选择性的事件来增加异步事件数据的多样性，从而提高深度模型的泛化性能，实验证明可以在多种深度网络上显著提高泛化性能。

    Jun, 2021

  • 事件相机的时间映射摄影

    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。

    Mar, 2024

  • 通过帧与事件流的协作实现可靠的物体跟踪

    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

  • 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

  • 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

  • 使用异步 “事件” 进行运动估计更好

    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

  • 从事件相机到视频：将现代计算机视觉引入事件相机

    研究使用成熟的计算机视觉技术对从事件数据中重建的视频进行对象分类和图像重建，从而充分发挥事件相机的优异特性。

    Apr, 2019