面向 MTevent 工业多类识别的循环事件驱动目标检测基准评测
计算机视觉与模式识别
2026-05-19 v2
摘要
事件相机因其高时间分辨率、高动态范围和减少运动模糊而对工业机器人具有吸引力。然而，大多数基于事件的目标检测研究集中于室外驾驶场景或有限类别设置。在本工作中，我们在 MTevent 上对循环 ReYOLOv8s 进行工业多类识别基准评测，并使用非循环 YOLOv8s 变体作为基线来分析时间记忆的效果。在 MTevent 验证集上，从头训练的最佳循环模型 (C21) 达到 0.285 mAP50，相较于非循环 YOLOv8s 基线 (0.260) 相对提升 9.6%。事件域预训练具有更强的效果：GEN1 初始化的微调在片段长度 21 时取得了 0.329 mAP50 的最佳总体结果，且与从头训练不同，GEN1 预训练模型随片段长度增加持续改进。PEDRo 初始化降至 0.251，表明不匹配的源域预训练可能不如从头训练有效。持续的失败模式主要由类别不平衡和人-物交互主导。总体而言，我们将本工作定位为一项针对工业环境中循环事件驱动检测的聚焦基准评测与分析研究。
引用
@article{arxiv.2603.21787,
title = {Benchmarking Recurrent Event-Based Object Detection for Industrial Multi-Class Recognition on MTevent},
author = {Lokeshwaran Manohar and Moritz Roidl},
journal= {arXiv preprint arXiv:2603.21787},
year = {2026}
}
备注
Accepted at the Neuromorphic Field Robotics and Automation Workshop, ICRA 2026