論文の概要: Secrets of Event-Based Optical Flow

• arxiv url: http://arxiv.org/abs/2207.10022v2
• Date: Thu, 21 Jul 2022 17:26:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 10:38:25.236934
• Title: Secrets of Event-Based Optical Flow
• Title（参考訳）: イベントベース光流れの秘密
• Authors: Shintaro Shiba, Yoshimitsu Aoki, Guillermo Gallego
• Abstract要約: イベントカメラはシーンダイナミクスに反応し、動きを推定する利点を提供する。 コントラスト最大化フレームワークを拡張し、イベントのみから光の流れを推定する原理的手法を開発した。 本手法はMVSECベンチマークにおける教師なし手法の中で第1位であり,DSECベンチマークでは競争力がある。
• 参考スコア（独自算出の注目度）: 13.298845944779108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event cameras respond to scene dynamics and offer advantages to estimate motion. Following recent image-based deep-learning achievements, optical flow estimation methods for event cameras have rushed to combine those image-based methods with event data. However, it requires several adaptations (data conversion, loss function, etc.) as they have very different properties. We develop a principled method to extend the Contrast Maximization framework to estimate optical flow from events alone. We investigate key elements: how to design the objective function to prevent overfitting, how to warp events to deal better with occlusions, and how to improve convergence with multi-scale raw events. With these key elements, our method ranks first among unsupervised methods on the MVSEC benchmark, and is competitive on the DSEC benchmark. Moreover, our method allows us to expose the issues of the ground truth flow in those benchmarks, and produces remarkable results when it is transferred to unsupervised learning settings. Our code is available at https://github.com/tub-rip/event_based_optical_flow
• Abstract（参考訳）: イベントカメラはシーンダイナミクスに反応し、動きを推定する利点を提供する。 近年、画像に基づくディープラーニングの成果に続いて、イベントカメラの光学的フロー推定法が急上昇し、これらの画像ベースの手法とイベントデータを組み合わせた。 しかし、非常に異なる特性を持つため、いくつかの適応(データ変換、損失関数など)が必要である。 コントラスト最大化フレームワークを拡張し,イベントのみから光の流れを推定する手法を開発した。 我々は,目的関数の設計方法,閉塞性を改善するためにイベントをワープする方法,マルチスケールの生イベントとの収束性を改善する方法など,重要な要素について検討する。 これらの重要な要素により,本手法はMVSECベンチマークにおける教師なし手法の中で第1位となり,DSECベンチマークでは競合する。 さらに,本手法は,これらのベンチマークにおいて基底真理フローの問題を露呈し,教師なし学習環境に移行した場合に顕著な結果が得られる。 私たちのコードはhttps://github.com/tub-rip/event_based_optical_flowで利用可能です。

関連論文リスト

• Event Camera Data Dense Pre-training [12.27119620314554]
  本稿では,イベントカメラデータを用いた高密度予測タスクに適したニューラルネットワークの事前学習を目的とした,自己教師付き学習フレームワークを提案する。 フレームワークをトレーニングするために、さまざまなシーンと動きパターンを特徴とする合成イベントカメラデータセットをキュレートする。
  論文  参考訳（メタデータ） (2023-11-20T04:36:19Z)
• Graph-based Asynchronous Event Processing for Rapid Object Recognition [59.112755601918074]
  イベントカメラは、各イベントがピクセル位置、トリガ時間、明るさの極性が変化するような非同期イベントストリームをキャプチャする。 イベントカメラのための新しいグラフベースのフレームワーク、SlideGCNを紹介した。 当社のアプローチでは、データをイベント単位で効率的に処理し、内部でグラフの構造を維持しながら、イベントデータの低レイテンシ特性を解放することが可能です。
  論文  参考訳（メタデータ） (2023-08-28T08:59:57Z)
• Passive Non-line-of-sight Imaging for Moving Targets with an Event Camera [0.0]
  非視線イメージング(NLOS: Non-line-of-Sight Imaging)は、障害物や角の向こう側の物体を検出する新しい技術である。 受動NLOSの最近の研究は、主に定常測定と再構成方法に焦点を当てている。 イベントベースの受動NLOSイメージング手法を提案する。
  論文  参考訳（メタデータ） (2022-09-27T10:56:14Z)
• Bridging the Gap between Events and Frames through Unsupervised Domain Adaptation [57.22705137545853]
  本稿では,ラベル付き画像とラベル付きイベントデータを用いてモデルを直接訓練するタスク転送手法を提案する。 生成イベントモデルを利用して、イベント機能をコンテンツとモーションに分割します。 われわれのアプローチは、イベントベースのニューラルネットワークのトレーニングのために、膨大な量の既存の画像データセットをアンロックする。
  論文  参考訳（メタデータ） (2021-09-06T17:31:37Z)
• Dense Optical Flow from Event Cameras [55.79329250951028]
  本稿では,イベントカメラからの高密度光フロー推定に特徴相関と逐次処理を導入することを提案する。 提案手法は、高密度光流を計算し、MVSEC上での終点誤差を23%削減する。
  論文  参考訳（メタデータ） (2021-08-24T07:39:08Z)
• VisEvent: Reliable Object Tracking via Collaboration of Frame and Event Flows [93.54888104118822]
  このタスクには現実的でスケールしたデータセットがないため、大規模なVisible-Eventベンチマーク(VisEventと呼ぶ)を提案する。 私たちのデータセットは、低照度、高速、背景乱雑なシナリオ下でキャプチャされた820のビデオペアで構成されています。 VisEventに基づいて、イベントフローをイベントイメージに変換し、30以上のベースラインメソッドを構築します。
  論文  参考訳（メタデータ） (2021-08-11T03:55:12Z)
• 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)
• Unsupervised Feature Learning for Event Data: Direct vs Inverse Problem Formulation [53.850686395708905]
  イベントベースのカメラは、ピクセルごとの明るさ変化の非同期ストリームを記録する。 本稿では,イベントデータからの表現学習のための単一層アーキテクチャに焦点を当てる。 我々は,最先端手法と比較して,認識精度が最大9%向上したことを示す。
  論文  参考訳（メタデータ） (2020-09-23T10:40:03Z)
• Single Image Optical Flow Estimation with an Event Camera [38.92408855196647]
  イベントカメラはバイオインスパイアされたセンサーで、マイクロ秒解像度の強度変化を報告している。 本稿では,単一画像(潜在的にぼやけた)とイベントに基づく光フロー推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-01T11:28:30Z)

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。