面向事件相机在线眼动追踪的轻量级时空网络

基于事件的数据常见于边缘计算环境中，这些环境对效率和低延迟要求极高。为了对接此类数据并利用其丰富的时间特征，我们提出了一种因果时空卷积网络。该方案通过三种方式，旨在资源有限的边缘适用硬件上实现高效部署：1) 刻意采用简单的架构和操作集（卷积、ReLU激活）；2) 可配置为通过缓存层输出，高效执行在线推理；3) 在训练期间通过正则化实现超过90%的激活稀疏性，从而在基于事件的处理器上显著提升效率。此外，我们提出了一种直接作用于事件的通用仿射增强策略，缓解了基于事件系统的数据集稀缺问题。我们将模型应用于AIS 2024基于事件的眼动追踪挑战赛，在Kaggle私有测试集上达到了0.9916的p10准确率。