論文の概要: AW-GATCN: Adaptive Weighted Graph Attention Convolutional Network for Event Camera Data Joint Denoising and Object Recognition

• arxiv url: http://arxiv.org/abs/2505.11232v1
• Date: Fri, 16 May 2025 13:26:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:15.076782
• Title: AW-GATCN: Adaptive Weighted Graph Attention Convolutional Network for Event Camera Data Joint Denoising and Object Recognition
• Title（参考訳）: AW-GATCN:イベントカメラデータ統合とオブジェクト認識のための適応重み付きグラフ注意畳み込みネットワーク
• Authors: Haiyu Li, Charith Abhayaratne,
• Abstract要約: イベントカメラは、必須のオブジェクト構造を超えた大量の冗長でノイズの多いデータを生成する。 本稿では,イベントベースオブジェクト認識のための適応グラフベースノイズデータ除去フレームワークを提案する。 提案手法は,正規化密度解析,多因子エッジ重み付け機構,適応グラフに基づく認知戦略に基づく適応イベントセグメンテーションを統合する。
• 参考スコア（独自算出の注目度）: 5.656347355002156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event cameras, which capture brightness changes with high temporal resolution, inherently generate a significant amount of redundant and noisy data beyond essential object structures. The primary challenge in event-based object recognition lies in effectively removing this noise without losing critical spatial-temporal information. To address this, we propose an Adaptive Graph-based Noisy Data Removal framework for Event-based Object Recognition. Specifically, our approach integrates adaptive event segmentation based on normalized density analysis, a multifactorial edge-weighting mechanism, and adaptive graph-based denoising strategies. These innovations significantly enhance the integration of spatiotemporal information, effectively filtering noise while preserving critical structural features for robust recognition. Experimental evaluations on four challenging datasets demonstrate that our method achieves superior recognition accuracies of 83.77%, 76.79%, 99.30%, and 96.89%, surpassing existing graph-based methods by up to 8.79%, and improving noise reduction performance by up to 19.57%, with an additional accuracy gain of 6.26% compared to traditional Euclidean-based techniques.
• Abstract（参考訳）: 高時間分解能で明るさの変化を捉えたイベントカメラは、本質的には必須のオブジェクト構造を超えた大量の冗長でノイズの多いデータを生成する。 事象に基づく物体認識における最大の課題は、重要な時空間情報を失うことなく、このノイズを効果的に除去することである。 これを解決するために、イベントベースオブジェクト認識のための適応グラフベースのノイズデータ除去フレームワークを提案する。 具体的には,正規化密度解析,多因子エッジ重み付け機構,適応グラフに基づく復調戦略に基づく適応イベントセグメンテーションを統合する。 これらのイノベーションは時空間情報の統合を著しく強化し、頑健な認識のための重要な構造的特徴を保持しながら、ノイズを効果的にフィルタリングする。 4つの挑戦的データセットに対する実験結果から,従来のグラフベース手法を最大8.79%上回る83.77%,76.79%,99.30%,96.89%,ノイズ低減性能を最大19.57%向上し,従来のユークリッド方式に比べて6.26%の精度向上を示した。

関連論文リスト

• Spatiotemporal Attention Learning Framework for Event-Driven Object Recognition [1.0445957451908694]
  イベントベースの視覚センサは、位置、極性、情報を含むスパースイベントストリームとして、局所ピクセルレベルの強度変化をキャプチャする。 本稿では、CBAM(Contemporalal Block Attention Module)により強化されたVARGGネットワークを利用した、イベントベースのオブジェクト認識のための新しい学習フレームワークを提案する。 提案手法は,従来のVGGモデルと比較してパラメータ数を2.3%削減しつつ,最先端のResNet手法に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2025-04-01T02:37:54Z)
• Event-Based Crossing Dataset (EBCD) [0.9961452710097684]
  イベントベースの視覚は、静的フレームではなく、強度の変化をキャプチャすることで、従来のイメージセンシングに革命をもたらす。 Event-Based Crossingデータセットは、動的な屋外環境での歩行者と車両の検出に適したデータセットである。 このデータセットは、疎度と騒音抑制の異なる条件下での物体検出性能の広範囲な評価を容易にする。
  論文  参考訳（メタデータ） (2025-03-21T19:20:58Z)
• EgoEvGesture: Gesture Recognition Based on Egocentric Event Camera [17.61884467264023]
  本稿では,イベントデータ処理に特化して設計された新しいネットワークアーキテクチャを提案する。 イベントカメラを用いたエゴセントリックなジェスチャー認識のための,最初の大規模データセットを構築した。 本手法は,7Mパラメータのみの未確認被験者に対して62.7%の精度を達成し,最先端手法よりも3.1%高い精度を示した。
  論文  参考訳（メタデータ） (2025-03-16T09:08:02Z)
• Multi-Grained Feature Pruning for Video-Based Human Pose Estimation [19.297490509277463]
  人間のポーズ推定のための新しいマルチスケール・解像度・フレームワークを提案する。 我々は,重要な意味情報を提供するトークンを識別するために,密度クラスタリング手法を用いる。 提案手法は,ベースラインに比べて推論速度が93.8%向上した。
  論文  参考訳（メタデータ） (2025-03-07T12:14:51Z)
• INTACT: Inducing Noise Tolerance through Adversarial Curriculum Training for LiDAR-based Safety-Critical Perception and Autonomy [0.4124847249415279]
  本稿では、雑音の多いLiDARデータに対するディープニューラルネットワーク(DNN)の堅牢性を高めるために設計された新しいフレームワークを提案する。 IntACTは、メタラーニングと、敵対的なカリキュラムトレーニング(ACT)を組み合わせることで、3Dポイントクラウドにおけるデータの破損とスパーシリティによる課題に対処する。 IntACTの有効性は、オブジェクトの検出、追跡、分類ベンチマークに関する包括的な評価を通じて実証される。
  論文  参考訳（メタデータ） (2025-02-04T00:02:16Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• dugMatting: Decomposed-Uncertainty-Guided Matting [83.71273621169404]
  そこで本稿では, 明確に分解された不確かさを探索し, 効率よく効率よく改善する, 分解不確実性誘導型マッチングアルゴリズムを提案する。 提案したマッチングフレームワークは,シンプルで効率的なラベリングを用いて対話領域を決定する必要性を緩和する。
  論文  参考訳（メタデータ） (2023-06-02T11:19:50Z)
• A Self-Refinement Strategy for Noise Reduction in Grammatical Error Correction [54.569707226277735]
  既存の文法的誤り訂正(GEC)のアプローチは、手動で作成したGECデータセットによる教師あり学習に依存している。 誤りが不適切に編集されたり、修正されなかったりする「ノイズ」は無視できないほどある。 本稿では,既存のモデルの予測整合性を利用して,これらのデータセットをデノマイズする自己補充手法を提案する。
  論文  参考訳（メタデータ） (2020-10-07T04:45:09Z)

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。