EventZoom：面向增强类神经视觉的事件数据增强的渐进方法
计算机视觉与模式识别
2025-02-14 v3
摘要
动态视觉传感器(DVS)捕获具有高时序分辨率和低功耗的事件数据，相较于传统视频捕获方法，在动态和实时场景中提供更高效的视觉处理解决方案。事件数据增强作为克服事件数据集规模和多样性限制的关键方法。我们的比较实验表明，空间完整性和时序连续性这两个因素对事件数据增强能力具有显著影响，这两个因素是保证维持事件数据独特稀疏性和大动态范围特性的关键。然而，现有增强方法常忽视空间完整性和时序连续性的保持。为此，我们开发了一种新颖的事件数据增强策略EventZoom，采用时序渐进策略，将转换后的样本嵌入原始样本中，通过渐进式缩放和平移实现。缩放过程避免了裁剪导致的空间信息丢失，而渐进策略防止了时序信息的中断或突变。我们在各种监督学习框架上验证了EventZoom。实验结果表明，EventZoom始终优于现有事件数据增强方法，实现了SOTA性能。首次我们同时采用半监督学习和无监督学习验证了事件增强算法的可行性，展示了EventZoom在处理具有高动态性和可变环境真实场景时作为强大事件数据增强工具的适用性和有效性。
引用
@article{arxiv.2405.18880,
title = {EventZoom: A Progressive Approach to Event-Based Data Augmentation for Enhanced Neuromorphic Vision},
author = {Yiting Dong and Xiang He and Guobin Shen and Dongcheng Zhao and Yang Li and Yi Zeng},
journal= {arXiv preprint arXiv:2405.18880},
year = {2025}
}
备注
Accepted by AAAI2025