S3CE-Net：面向长序列事件重识别的脉冲引导时空语义耦合与扩展网络
计算机视觉与模式识别
2025-06-02 v1
摘要
本文利用事件相机在抵御恶劣光照条件、减少背景干扰、实现高时间分辨率以及保护面部信息方面的优势，研究长序列基于事件的行人重识别（Re-ID）任务。为此，我们提出了一种简单高效的基于长序列事件的Re-ID模型，即脉冲引导时空语义耦合与扩展网络（S3CE-Net）。为了更好地处理异步事件数据，我们基于脉冲神经网络（SNNs）构建了S3CE-Net。S3CE-Net结合了脉冲引导时空注意力机制（SSAM）和时空特征采样策略（STFS）。SSAM旨在利用SNNs的能力，在空间和时间维度上进行语义交互与关联。STFS涉及从时空维度对空间特征子序列和时间特征子序列进行采样，驱动Re-ID模型感知更广泛、更稳健的有效语义。值得注意的是，STFS不引入额外参数，且仅在训练阶段使用。因此，S3CE-Net是一种用于长序列基于事件行人Re-ID的低参数、高效率模型。大量实验验证了我们的S3CE-Net在许多主流长序列基于事件行人Re-ID数据集上取得了出色的性能。代码获取地址：https://github.com/Mhsunshine/SC3E_Net。
引用
@article{arxiv.2505.24401,
title = {S3CE-Net: Spike-guided Spatiotemporal Semantic Coupling and Expansion Network for Long Sequence Event Re-Identification},
author = {Xianheng Ma and Hongchen Tan and Xiuping Liu and Yi Zhang and Huasheng Wang and Jiang Liu and Ying Chen and Hantao Liu},
journal= {arXiv preprint arXiv:2505.24401},
year = {2025}
}