用于高速跟踪、无监督特征提取与物体识别的基于事件的记忆表面研究
神经与进化计算
2017-11-09 v3 计算机视觉与模式识别
摘要
在本文中，我们比较了基于事件的衰减和基于时间的衰减记忆表面，用于使用基于事件的相机进行高速基于事件的跟踪、特征提取和物体分类。高速识别任务涉及检测和分类近距离自由落体到相机镜头附近的模型飞机，以生成在目标速度上表现出显著方差的具有挑战性的数据集。这种方差促使我们研究基于事件的衰减记忆表面相对于基于时间的衰减记忆表面，以捕获基于事件数据的时间方面。这些表面随后被用于执行无监督特征提取、跟踪和识别。为了生成记忆表面，研究了事件分箱、线性衰减核和指数衰减核，发现指数衰减核表现最佳。发现基于事件的衰减记忆表面在识别上优于基于时间的衰减记忆表面，尤其是当要求对目标速度具有不变性时。研究了一系列网络和感受野大小。该系统在飞机进入视场后 156 毫秒内达到 98.75% 的识别准确率，仅使用了二十五个与线性分类器串联的基于事件的特征提取神经元。通过将线性分类器结果与 ELM 分类器比较，我们发现少量基于事件的特征提取器能有效将数据集的复杂时空事件模式投影到特征空间中几乎线性可分的表示。
引用
@article{arxiv.1603.04223,
title = {Investigation of event-based memory surfaces for high-speed tracking, unsupervised feature extraction and object recognition},
author = {Saeed Afshar and Gregory Cohen and Tara Julia Hamilton and Jonathan Tapson and Andre van Schaik},
journal= {arXiv preprint arXiv:1603.04223},
year = {2017}
}
备注
This is an updated version of a previously submitted manuscript