基于傅里叶变换的野生动物行为定量化事件相机动作识别

事件相机是一种受生物启发的视觉传感器，以像素级亮度变化的异步方式测量亮度变化，而不是以给定帧率获取图像。它们具有高动态范围、低延迟和最小运动模糊等诱人优势。现代计算机视觉算法通常依赖于人工神经网络方法，这些方法需要类似图像的数据表示，无法充分发挥事件数据特征的优势。我们提出了基于傅里叶变换的动作识别方法。这些方法旨在识别自然界常见的振荡运动模式。特别地，我们将这些方法应用于最近的一个数据集，用于识别"ecstatic display"（一种行为，即观察到的企鹅以特定频率拍打翅膀的行为）。我们发现，这些方法既简单又有效，尽管只使用了远小于深度神经网络（DNN）参数的数量（少了五个数量级），但仍能产生略低于 DNN 的结果。它们在面对数据集中不可控制且多样化的数据时也表现良好。我们希望这项工作能为事件基础的处理和动作识别开辟一个新的视角。