EventPoint：面向事件相机自监督兴趣点检测与描述
计算机视觉与模式识别
2022-11-01 v3 机器人学
摘要
本文提出一种称为 EventPoint 的自监督学习局部检测器与描述子，用于事件流/相机跟踪与配准。事件相机因其仿生特性和低功耗而日益流行。尽管如此，由于其特殊的数据结构，将局部特征直接应用于事件流是困难的。我们提出一种称为 Tencode 的类似时间表面的事件流表示方法。经 Tencode 处理的事件流数据可在获得兴趣点像素级定位的同时，通过神经网络同步提取描述子。我们的网络不使用昂贵且不可靠的人工标注，而是利用彩色图像上局部特征提取的先验知识，并通过单应与时空自适应进行自监督学习。据我们所知，所提方法是首个使用深度神经网络研究基于事件的局部特征学习的工作。我们给出了特征点检测与匹配的全面实验，并使用三个公开数据集进行评估（即 DSEC、N-Caltech101 和 HVGA ATIS Corner Dataset）。实验结果表明，我们的方法在特征点检测与描述方面优于 SOTA。
引用
@article{arxiv.2109.00210,
title = {EventPoint: Self-Supervised Interest Point Detection and Description for Event-based Camera},
author = {Ze Huang and Li Sun and Cheng Zhao and Song Li and Songzhi Su},
journal= {arXiv preprint arXiv:2109.00210},
year = {2022}
}
备注
IEEE/CVF Winter Conference on Applications of Computer Vision (WACV)