事件数据的无监督特征学习：正问题与时逆问题表述
计算机视觉与模式识别
2020-10-01 v2 人工智能
机器学习
机器人学
摘要
基于事件的相机记录逐像素亮度变化的异步流。因此，相较于标准基于帧的相机，它们具有诸多优势，包括高时间分辨率、高动态范围和无运动模糊。由于异步特性，高效学习事件数据的紧凑表示具有挑战性。目前尚未探明空间与时间事件“信息”对模式识别任务的有用程度。本文关注单层架构。我们分析了两种通用问题表述——正问题与时逆问题——在基于局部事件数据（时空描述的局部事件体）的无监督特征学习中的性能。我们指出并展示了每种方法的主要优势。理论上，我们分析了最优解保证、异步并行参数更新的可能性以及计算复杂度。我们给出了用于物体识别的数值实验。我们在正问题与时逆问题下评估解，并与state-of-the-art方法比较。我们的实证结果凸显了两种方法在事件数据表示学习中的优势。相较同类state-of-the-art方法，识别准确率提升最高达9%。
引用
@article{arxiv.2009.11044,
title = {Unsupervised Feature Learning for Event Data: Direct vs Inverse Problem Formulation},
author = {Dimche Kostadinov and Davide Scaramuzza},
journal= {arXiv preprint arXiv:2009.11044},
year = {2020}
}