基于事件的穿越数据集（EBCD）
计算机视觉与模式识别
2025-03-25 v1
摘要
基于事件的视觉通过捕捉异步的强度变化而非静态帧，彻底改变了传统图像感知方式，实现超高时序分辨率、稀疏数据编码和增强的运动感知。尽管该范式具有显著优势，但常规的基于事件数据集采用固定阈值约束来确定像素激活，严重限制了其对现实环境波动的适应性。阈值过低会保留更细节，但引入普遍噪声；阈值过高则抑制多余激活，但牺牲关键物体信息。为缓解这些限制，我们引入了基于事件的穿越数据集（EBCD），该数据集为动态户外环境中行人和车辆检测所定制的全面数据集，包含多阈值框架以细化事件表示。该数据集在十个不同阈值水平（4、8、12、16、20、30、40、50、60和75）下捕获基于事件的图像，促进了在稀疏性和噪声抑制不同条件下的目标检测性能评估。我们对YOLOv4、YOLOv7、EfficientDet-b0、MobileNet-v1和直方图方向梯度（HOG）等最新检测架构进行基准测试，以实验阈值选择对检测性能的细微影响。通过提供系统化的阈值变化方法，我们预见EBCD将促进更适应性的基于事件目标检测评估，将多样化的神经器官视觉与真实场景动态相结合。我们以公开数据集形式呈现该数据集，以推动低延迟、高保真神经器官成像领域的进一步发展：https://ieee-dataport.org/documents/event-based-crossing-dataset-ebcd
引用
@article{arxiv.2503.17499,
title = {Event-Based Crossing Dataset (EBCD)},
author = {Joey Mulé and Dhandeep Challagundla and Rachit Saini and Riadul Islam},
journal= {arXiv preprint arXiv:2503.17499},
year = {2025}
}