用于动态视觉传感器数据监督学习的伪标签及其在自运动下目标检测中的应用
计算机视觉与模式识别
2018-03-15 v3
摘要
近年来，动态视觉传感器（DVS），也称为事件相机或神经形态传感器，由于相比传统基于帧的相机具有诸多优势而得到了越来越多的应用。受视网膜原理启发，其高时间分辨率克服了运动模糊，高动态范围克服了极端照明条件，低功耗使其成为无人机和自动驾驶汽车等平台嵌入式系统的理想选择。然而，事件数据集非常稀缺，对于目标检测等任务的标签更是稀少。我们通过中间伪标签将判别知识从最先进的基于帧的卷积神经网络（CNN）迁移到基于事件的模态中，这些伪标签被用作监督学习的目标。我们首次展示了在真实环境中自运动条件下的基于事件的汽车检测，速度达到每秒100帧，相对于我们标注的真值其测试平均精度为40.3%。尽管没有经过显式训练，基于事件的汽车检测器仍能处理运动模糊和不良照明条件，甚至可以补充基于帧的CNN检测器，这表明它学习到了泛化的视觉表示。
引用
@article{arxiv.1709.09323,
title = {Pseudo-labels for Supervised Learning on Dynamic Vision Sensor Data, Applied to Object Detection under Ego-motion},
author = {Nicholas F. Y. Chen},
journal= {arXiv preprint arXiv:1709.09323},
year = {2018}
}