論文の概要: EventMix: An Efficient Augmentation Strategy for Event-Based Data
- arxiv url: http://arxiv.org/abs/2205.12054v1
- Date: Tue, 24 May 2022 13:07:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 14:42:59.940869
- Title: EventMix: An Efficient Augmentation Strategy for Event-Based Data
- Title(参考訳): eventmix: イベントベースのデータの効率的な拡張戦略
- Authors: Guobin Shen, Dongcheng Zhao, Yi Zeng
- Abstract要約: イベントカメラは、高ダイナミックレンジと低エネルギーのイベントストリームデータを提供することができる。
スケールは従来のフレームベースのデータよりも小さく、入手が難しい。
本稿では,イベントストリームデータに対する効率的なデータ拡張戦略であるEventMixを提案する。
- 参考スコア(独自算出の注目度): 4.8416725611508244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-quality and challenging event stream datasets play an important role in
the design of an efficient event-driven mechanism that mimics the brain.
Although event cameras can provide high dynamic range and low-energy event
stream data, the scale is smaller and more difficult to obtain than traditional
frame-based data, which restricts the development of neuromorphic computing.
Data augmentation can improve the quantity and quality of the original data by
processing more representations from the original data. This paper proposes an
efficient data augmentation strategy for event stream data: EventMix. We
carefully design the mixing of different event streams by Gaussian Mixture
Model to generate random 3D masks and achieve arbitrary shape mixing of event
streams in the spatio-temporal dimension. By computing the relative distances
of event streams, we propose a more reasonable way to assign labels to the
mixed samples. The experimental results on multiple neuromorphic datasets have
shown that our strategy can improve its performance on neuromorphic datasets
both for ANNs and SNNs, and we have achieved state-of-the-art performance on
DVS-CIFAR10, N-Caltech101, N-CARS, and DVS-Gesture datasets.
- Abstract(参考訳): 高品質で挑戦的なイベントストリームデータセットは、脳を模倣する効率的なイベント駆動メカニズムの設計において重要な役割を果たす。
イベントカメラは、高ダイナミックレンジと低エネルギーのイベントストリームデータを提供できるが、このスケールは、ニューロモルフィックコンピューティングの発達を制限する従来のフレームベースデータよりも小さく、入手が難しい。
データ拡張は、元のデータからより多くの表現を処理することにより、元のデータ量と品質を改善することができる。
本稿では,イベントストリームデータのための効率的なデータ拡張戦略であるeventmixを提案する。
種々のイベントストリームの混合をガウス混合モデルを用いて慎重に設計し,ランダムな3次元マスクを生成し,時空間次元におけるイベントストリームの任意の形状混合を実現する。
イベントストリームの相対的な距離を計算することで、混合サンプルにラベルを割り当てるより合理的な方法を提案する。
複数のニューロモルフィックデータセットを用いた実験の結果, annとsnsの両方のニューロモルフィックデータセットの性能向上が期待でき, dvs-cifar10, n-caltech101, n-cars, dvs-gestureデータセットでは最先端のパフォーマンスが得られた。
関連論文リスト
- An Event-Oriented Diffusion-Refinement Method for Sparse Events
Completion [36.64856578682197]
イベントカメラまたはダイナミックビジョンセンサー(DVS)は、従来の強度フレームの代わりに輝度の変化に対する非同期応答を記録する。
本稿では,処理段階と出力形態の両方において,イベントデータのユニークな特性に適合するイベント完了シーケンス手法を提案する。
具体的には,イベントストリームを時間領域内の3次元イベントクラウドとして扱うとともに,高密度の雲を粗大に生成する拡散モデルを構築し,正確なタイムスタンプを復元して生データの時間分解を成功させる。
論文 参考訳(メタデータ) (2024-01-06T08:09:54Z) - Implicit Event-RGBD Neural SLAM [57.48879389141497]
神経性SLAMは近年顕著な進歩を遂げている。
既存の手法は、非理想的なシナリオにおいて重大な課題に直面します。
本稿では,最初のイベントRGBD暗黙的ニューラルネットワークSLAMフレームワークであるtextbfEN-SLAM$を提案する。
論文 参考訳(メタデータ) (2023-11-18T08:48:58Z) - EvDNeRF: Reconstructing Event Data with Dynamic Neural Radiance Fields [80.94515892378053]
EvDNeRFは、イベントデータを生成し、イベントベースの動的NeRFをトレーニングするためのパイプラインである。
NeRFは幾何学ベースの学習可能なレンダリングを提供するが、イベントの以前の作業は静的なシーンの再構築のみを考慮していた。
各種イベントのバッチサイズをトレーニングすることにより、微細な時間解像度でイベントのテスト時間予測を改善することができることを示す。
論文 参考訳(メタデータ) (2023-10-03T21:08:41Z) - Dual Memory Aggregation Network for Event-Based Object Detection with
Learnable Representation [79.02808071245634]
イベントベースのカメラはバイオインスパイアされたセンサーで、各ピクセルの明るさ変化を非同期に捉える。
イベントストリームは、正極性と負極性の両方のためにx-y-t座標の格子に分割され、3次元テンソル表現として柱の集合が生成される。
長メモリは適応型convLSTMの隠れ状態に符号化され、短メモリはイベントピラー間の空間的時間的相関を計算することによってモデル化される。
論文 参考訳(メタデータ) (2023-03-17T12:12:41Z) - Event Voxel Set Transformer for Spatiotemporal Representation Learning
on Event Streams [23.872611710730865]
イベントカメラは、視覚情報をスパースおよび非同期イベントストリームとして表現するニューロモルフィック視覚センサである。
本研究では,イベントストリーム上での表現学習のためのイベントVoxel Set Transformer (EVSTr) という新しい注意認識モデルを開発した。
オブジェクト分類と行動認識という2つのイベントベース認識タスクにおいて,提案したモデルを評価する。
論文 参考訳(メタデータ) (2023-03-07T12:48:02Z) - Masked Event Modeling: Self-Supervised Pretraining for Event Cameras [41.263606382601886]
Masked Event Modeling (MEM) はイベントの自己組織化フレームワークである。
MEMは、記録されていないイベントのニューラルネットワークを事前トレーニングする。
本手法は3つのデータセットにまたがって最先端の分類精度に達する。
論文 参考訳(メタデータ) (2022-12-20T15:49:56Z) - Event Transformer+. A multi-purpose solution for efficient event data
processing [13.648678472312374]
イベントカメラは、高時間分解能と高ダイナミックレンジでスパース照明変化を記録する。
現在の手法は特定のイベントデータ特性を無視することが多く、汎用的だが計算コストのかかるアルゴリズムの開発に繋がる。
本稿では,改良されたパッチベースのイベント表現を用いて,セマンティックな作業EvTを改善するEvent Transformer+を提案する。
論文 参考訳(メタデータ) (2022-11-22T12:28:37Z) - Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。
我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
論文 参考訳(メタデータ) (2021-10-19T17:41:43Z) - EventDrop: data augmentation for event-based learning [0.3670422696827526]
EventDropは、ディープモデルの一般化を改善するために非同期イベントデータを拡張するための新しい方法である。
現実的には、EventDropは実装が簡単で、計算コストも低い。
論文 参考訳(メタデータ) (2021-06-07T11:53:14Z) - Differentiable Event Stream Simulator for Non-Rigid 3D Tracking [82.56690776283428]
我々の微分可能シミュレータは、イベントストリームから変形可能なオブジェクトの非剛性3D追跡を可能にする。
様々な種類の非剛体物体に対するアプローチの有効性を示し, 既存の非剛体3次元追跡手法と比較した。
論文 参考訳(メタデータ) (2021-04-30T17:58:07Z) - Learning Monocular Dense Depth from Events [53.078665310545745]
イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。
最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。
本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-10-16T12:36:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。