用于事件相机的时间有序近期事件（TORE）体
计算机视觉与模式识别
2021-03-11 v1
摘要
事件相机是一种令人振奋的新型传感器模态，可实现高速成像、极低延迟和宽动态范围。不幸的是，大多数机器学习架构并非设计用于直接处理稀疏数据，例如事件相机生成的数据。许多事件相机的最先进算法依赖于插值事件表示——这掩盖了关键的时序信息，增加了数据量，并限制了整体网络性能。本文详述了一种称为时间有序近期事件（TORE）体的事件表示。TORE 体旨在以最小的信息损失紧凑地存储原始脉冲时序信息。这种受生物启发的设计内存高效、计算快速、避免了时间分块（即固定且预定义的帧率），并包含来自过去数据的“局部记忆”。该设计在广泛具有挑战性的任务（例如事件去噪、图像重建、分类和人体姿态估计）上进行了评估，并被证明可大幅改进最先进性能。TORE 体是可轻松实现的替代方案，可替换任何当前使用事件表示的算法。
引用
@article{arxiv.2103.06108,
title = {Time-Ordered Recent Event (TORE) Volumes for Event Cameras},
author = {R. Wes Baldwin and Ruixu Liu and Mohammed Almatrafi and Vijayan Asari and Keigo Hirakawa},
journal= {arXiv preprint arXiv:2103.06108},
year = {2021}
}