基于双深度学习的事件数据编码与分类高效解决方案
计算机视觉与模式识别
2025-04-01 v2
摘要
事件相机能够捕获每个像素的非同步亮度变化，称为“事件”，相较于传统帧基相机在计算机视觉应用中具有优势。高效编码事件数据对于传输和存储至关重要，因为事件数量庞大。本文提出一种新型双深度学习架构，用于事件数据的编码与分类，采用基于点云的事件表示。在此背景下，从事件到点云以及从点云回事件的转换是本方案的关键步骤，因此其影响以压缩率和分类性能为度量。实验结果表明，即使在应用有损点云编解码器（尤其是最近的基于学习的 JPEG PCC 点云编码标准）后，仍可实现与原始事件相似的分类性能，同时显著降低传输率。实验结果还表明，使用 JPEG PCC 编码的事件在分类性能方面优于使用传统有损 MPEG 基于几何的数点云编码标准编码的事件。进一步地，基于学习的编码在压缩域内执行计算机视觉任务方面具有高度潜力，这允许跳过解码阶段，同时减轻编码伪影的影响。
引用
@article{arxiv.2407.15531,
title = {A Double Deep Learning-based Solution for Efficient Event Data Coding and Classification},
author = {Abdelrahman Seleem and André F. R. Guarda and Nuno M. M. Rodrigues and Fernando Pereira},
journal= {arXiv preprint arXiv:2407.15531},
year = {2025}
}