本文提出了在事件域中进行时空过滤的方法, 通过学习局部时空权重矩阵，增强卷积神经网络对动作识别的性能， 在 DVS Gesture 数据集和新录制的动作识别数据集上显著改善。

Mar, 2019

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

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

该研究介绍了一种基于事件的数据集，用于细粒度操作动作的预测，使用的模型是基于事件进行在线推理的Transformer网络，该模型成功地预测了动作，并通过时间逐渐增加信心，达到了最先进的分类效果，并且优于基于视频的方法，适用于具有非常微妙差异的场景。同时，该研究还发布了第一个用于操作动作识别的事件数据集。

Jul, 2023

本研究旨在通过使用事件相机进行行为识别，提出了一种基于视频变换网络和事件对比损失的计算高效模型。该模型在真实世界中的行为识别任务中表现出卓越性能，并且相较于其他方法具有更低的计算时间，适用于基于事件相机的行为识别应用。

Aug, 2023

神经形态传感器是一类模仿生物视觉系统功能的成像设备，通过连续产生代表视野中光强或动态变化的事件，具有高时间分辨率和低延迟，对人脸建模具有重要意义和隐私保护视角。本文综述神经形态人脸分析领域的能力、挑战和新兴应用，勾勒出有前途的研究方向和待解决问题。

Feb, 2024

多模态人体动作识别的综述研究，重点关注多模态数据融合设计方面的经典和新兴技术，分析了卷积神经网络和Transformer建模方法在该问题上的流行趋势和更高效的模型设计选择，并讨论了实践模型训练中的有前景的架构和融合设计选择，以及多模态数据集的规模和评估视角，提出了多模态人体动作识别的挑战与未来发展方向。

May, 2024

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

本研究针对现有低分辨率事件基础的人类动作识别数据集的不足，提出了一个大规模高分辨率（1280×800）的CeleX-HAR数据集，包含150种常见动作类别和124,625个视频序列。此外，研究介绍了新颖的EVMamba网络，通过编码和挖掘事件流的时空信息，显著提升了动作识别性能，为未来的研究提供了重要的比较基准。

Aug, 2024

本研究解决了传统相机在高速运动物体捕捉中存在的信息丢失问题，通过将事件数据与常规算法相结合，展示了事件相机的新应用。我们构建了一个基于帧的事件数据集，并使用GR-YOLO方法进行了评估，结果显示该模型在各类数据集上表现良好，最高平均精度达到0.91，证明了在不同光照条件下的鲁棒性。

Aug, 2024