基于图的神经形态视觉传感目标分类
计算机视觉与模式识别
2019-08-20 v1
摘要
神经形态视觉传感（NVS）设备将视觉信息表示为异步离散事件（亦称“脉冲”）序列，以响应场景反射率的变化。与传统主动像素传感（APS）不同，NVS允许显著更高的事件采样率，同时大幅提高能效并对光照变化具有鲁棒性。然而，由于NVS不产生帧表示，基于NVS流的目标分类无法利用最先进的卷积神经网络（CNNs）。为规避这种传感与CNN处理之间的不匹配，我们提出了一种用于NVS的紧凑图表示。我们将其与新颖的残差图CNN架构相结合，并表明当在时空NVS数据上训练用于目标分类时，此类残差图CNN保持了脉冲事件的空间和时间相干性，同时需要更少的计算和内存。最后，为解决复杂识别任务缺乏大型真实世界NVS数据集的问题，我们呈现并提供了一个10万规模的NVS记录数据集，该数据集为在真实条件下使用iniLabs DAVIS240c设备采集的美国手语字母记录。
引用
@article{arxiv.1908.06648,
title = {Graph-Based Object Classification for Neuromorphic Vision Sensing},
author = {Yin Bi and Aaron Chadha and Alhabib Abbas and Eirina Bourtsoulatze and Yiannis Andreopoulos},
journal= {arXiv preprint arXiv:1908.06648},
year = {2019}
}
备注
13 pages, 4 figures, ICCV 2019