从视网膜事件端到端学习物体运动估计用于基于事件的物体跟踪
计算机视觉与模式识别
2020-09-21 v1
摘要
事件相机作为异步仿生视觉传感器，在计算机视觉与人工智能中展现出巨大潜力。然而，事件相机在物体级运动估计或跟踪上的应用仍处于起步阶段。本工作的核心思想是提出一种新颖深度神经网络，以学习并回归用于基于事件的物体跟踪的参数化物体级运动/变换模型。为实现该目标，我们提出具有线性时间衰减的同步时间表面（TSLTD）表示，其将异步视网膜事件的空间-时间信息有效编码为具有清晰运动模式的 TSLTD 帧。我们将 TSLTD 帧序列输入新颖的视网膜运动回归网络（RMRNet），以执行端到端 5 自由度物体运动回归。我们的方法与基于常规相机或事件相机的最先进物体跟踪方法进行比较。实验结果表明，我们的方法在处理快速运动与低光照条件等多种挑战性环境时具有优越性。
引用
@article{arxiv.2002.05911,
title = {End-to-end Learning of Object Motion Estimation from Retinal Events for Event-based Object Tracking},
author = {Haosheng Chen and David Suter and Qiangqiang Wu and Hanzi Wang},
journal= {arXiv preprint arXiv:2002.05911},
year = {2020}
}
备注
9 pages, 3 figures