EventDrop：面向基于事件学习的数据增强
机器学习
2021-06-11 v1 机器人学
摘要
事件感知相对于传统传感器（例如更高动态范围、更低时间延迟与更低功耗）的优势推动了针对事件数据的机器学习研究。不足为奇，深度学习已成为事件传感器学习的竞争性方法；在典型设置中，离散且异步的事件首先被转换为类帧张量，其上可应用标准深度网络。然而，过拟合仍是一项挑战，尤其是因为事件数据集相对于传统数据集（如 ImageNet）仍然较小。本文中，我们引入 EventDrop，一种用于增强异步事件数据以改善深度模型泛化能力的新方法。通过以多种策略丢弃事件，我们能够增加训练数据的多样性（例如模拟不同水平的遮挡）。从实践角度看，EventDrop 实现简单且计算成本低。在两个事件数据集（N-Caltech101 与 N-Cars）上的实验表明，EventDrop 能显著提升多种深度网络的泛化性能。
引用
@article{arxiv.2106.05836,
title = {EventDrop: data augmentation for event-based learning},
author = {Fuqiang Gu and Weicong Sng and Xuke Hu and Fangwen Yu},
journal= {arXiv preprint arXiv:2106.05836},
year = {2021}
}
备注
IJCAI 2021