Sep, 2024

适应路径的时空状态空间模型用于任意时长事件的识别

HTML
PDF
TL;DR本研究针对现有方法在捕获长时间事件的时空关系及其在不同时间频率下的泛化能力不足的问题，提出了一种新的框架PAST-SSM。通过引入适应路径事件聚合和扫描模块（PEAS）以及多面选择引导损失（MSG）来优化特征编码，最终在多个数据集上显著提升了事件识别的准确性，展示了模型在任意时长事件下的优越表现。
发现论文，激发创造
  • 基于时空滤波的事件驱动行为识别

    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

  • 基于事件的异步稀疏卷积网络

    本研究提出了一种通用的框架，将基于同步图像事件表示训练的模型转换为具有相同输出的异步模型，以便直接利用事件数据的本质异步性和稀疏性，并在目标检测和识别任务中实现了高达20倍计算复杂度的降低和24%的精度提高。

    Mar, 2020

  • 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

  • Ev-TTA: 事件驱动物体识别的测试时间适应

    Ev-TTA是一种简单而有效的测试时间适应算法，通过使用受事件的时空特征启发的损失函数调整预先训练的分类器，解决了现有基于事件的识别算法在极端情况下性能下降的问题。

    Mar, 2022

  • 时空事件图像用于动态场景理解

    该论文介绍了关于动态场景理解的研究，主要涉及自动驾驶、道路事件检测、视频活动检测、持续学习等内容。

    Dec, 2023

  • 事件相机的状态空间模型

    通过引入具有可学习时间尺度参数的状态空间模型（SSM）来处理事件感测器数据，解决了在不同频率下部署模型的挑战，并且与传统RNN和Transformer模型相比，SSM模型在事件感测任务中训练速度更快，且在更高频率的测试输入下表现出较小的性能降低。

    Feb, 2024

  • 重新思考面向事件相机的高效有效的基于点的网络：EventMamba

    EventMamba是一个高效和有效的点云框架，通过优化网络结构实现了对时间信息的提取，并在分类和回归任务中表现出与基于帧的方法相媲美的结果，同时具有轻量级设计原则，实现了卓越的效率和效果。

    May, 2024

  • EventAug：用于事件学习的多方面时空数据增强方法

    本研究解决了事件相机数据不足和多样性有限的问题，提出了一个系统的数据增强方案EventAug，以丰富时空多样性。通过多尺度时间集成（MSTI）和空间-显著性事件掩模（SSEM）及时间-显著性事件掩模（TSEM）的引入，显著提高了模型在不同任务上的鲁棒性和准确性。

    Sep, 2024

  • 空间与时间在动作识别中的结合

    本研究针对现有视频动作识别方法在空间与时间信息整合方面的不足，提出了一种新颖的预处理技术——时间集成与运动增强（TIME）层。通过重排原始视频序列，该方法有效捕捉了视频帧的时间演变和空间细节，实验结果显示TIME层显著提高了识别准确率，对视频处理任务具有重要影响。

    Nov, 2024

  • EventCrab：利用帧与点的协同作用进行事件驱动的动作识别及其扩展

    本文研究了事件驱动动作识别（EAR）中未能有效结合异步事件数据的时间密集性与空间稀疏性的问题。我们提出了EventCrab框架，巧妙整合了面向密集事件帧的“轻量级”网络与处理稀疏事件点的“重”网络，并设计了两种策略以充分挖掘事件点的时空特性，实验表明该框架在多个数据集上显著提升性能，尤其在SeAct和HARDVS数据集上分别提高了5.17%和7.01%。

    Nov, 2024