論文の概要: Making Every Event Count: Balancing Data Efficiency and Accuracy in Event Camera Subsampling

• arxiv url: http://arxiv.org/abs/2505.21187v1
• Date: Tue, 27 May 2025 13:37:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.677784
• Title: Making Every Event Count: Balancing Data Efficiency and Accuracy in Event Camera Subsampling
• Title（参考訳）: すべてのイベントカウントを作る: イベントカメラサブサンプリングにおけるデータの効率性と精度のバランスをとる
• Authors: Hesam Araghi, Jan van Gemert, Nergis Tomen,
• Abstract要約: イベントカメラは、高時間分解能と電力効率を提供し、エッジAIアプリケーションに適している。 サブサンプリング手法は実用的な解法であるが、下流の視覚的タスクに対する効果は未解明のままである。 各種ベンチマークデータを用いて,イベントビデオ分類のためのハードウェアフレンドリーなサブサンプリング手法を6つ評価した。
• 参考スコア（独自算出の注目度）: 13.283434521851998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event cameras offer high temporal resolution and power efficiency, making them well-suited for edge AI applications. However, their high event rates present challenges for data transmission and processing. Subsampling methods provide a practical solution, but their effect on downstream visual tasks remains underexplored. In this work, we systematically evaluate six hardware-friendly subsampling methods using convolutional neural networks for event video classification on various benchmark datasets. We hypothesize that events from high-density regions carry more task-relevant information and are therefore better suited for subsampling. To test this, we introduce a simple causal density-based subsampling method, demonstrating improved classification accuracy in sparse regimes. Our analysis further highlights key factors affecting subsampling performance, including sensitivity to hyperparameters and failure cases in scenarios with large event count variance. These findings provide insights for utilization of hardware-efficient subsampling strategies that balance data efficiency and task accuracy. The code for this paper will be released at: https://github.com/hesamaraghi/event-camera-subsampling-methods.
• Abstract（参考訳）: イベントカメラは、高時間分解能と電力効率を提供し、エッジAIアプリケーションに適している。 しかし、その高いイベントレートは、データ転送と処理の課題を示す。 サブサンプリング手法は実用的な解法であるが、下流の視覚的タスクに対する効果は未解明のままである。 本研究では,コンボリューショナルニューラルネットワークを用いた6つのハードウェアフレンドリーなサブサンプリング手法を,様々なベンチマークデータセット上でのイベントビデオ分類のために体系的に評価する。 高密度領域からのイベントは、より多くのタスク関連情報を持ち、従ってサブサンプリングに適していると仮定する。 そこで本研究では,スパース状態における分類精度の向上を実証し,簡単な因果密度に基づくサブサンプリング手法を提案する。 本分析では,イベントカウントのばらつきが大きいシナリオにおいて,過度パラメータに対する感度や障害事例など,サブサンプリング性能に影響を及ぼす重要な要因をさらに強調する。 これらの知見は,データ効率とタスク精度のバランスをとるハードウェア効率の高いサブサンプリング戦略を活用するための洞察を与える。 この論文のコードは、https://github.com/hesamaraghi/event-camera-subsampling-methodsで公開される。

関連論文リスト

• Pushing the boundaries of event subsampling in event-based video classification using CNNs [13.283434521851998]
  エッジAIアプリケーションでは、特定のタスクに対する最小イベント量を決定することで、イベントレートを削減し、帯域幅、メモリ、処理効率を改善することができる。 畳み込みニューラルネットワーク(CNN)モデルを用いて,イベントサブサンプリングがイベントデータの分類精度に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2024-09-13T16:14:45Z)
• Implicit Event-RGBD Neural SLAM [54.74363487009845]
  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SLAMフレームワークであるEN-SLAMを提案する。
  論文  参考訳（メタデータ） (2023-11-18T08:48:58Z)
• Efficient Hybrid Oversampling and Intelligent Undersampling for Imbalanced Big Data Classification [1.03590082373586]
  本稿では,MapReduceフレームワークを用いて,インテリジェントアンダーサンプリングとオーバーサンプリングを組み合わせたSMOTENNという新しいリサンプリング手法を提案する。 実験の結果,この手法の利点が示され,小規模・中規模のデータセットに対する代替サンプリング技術よりも優れていた。
  論文  参考訳（メタデータ） (2023-10-09T15:22:13Z)
• 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)
• Event Transformer. A sparse-aware solution for efficient event data processing [9.669942356088377]
  Event Transformer(EvT)は、イベントデータプロパティを効果的に活用して、極めて効率的かつ正確なフレームワークである。 EvTは、アクションとジェスチャー認識のためのさまざまなイベントベースのベンチマークで評価される。 結果は、計算リソースを著しく少なくしながら、最先端の精度よりも優れているか同等の精度を示す。
  論文  参考訳（メタデータ） (2022-04-07T10:49:17Z)
• HardVis: Visual Analytics to Handle Instance Hardness Using Undersampling and Oversampling Techniques [48.82319198853359]
  HardVisは、主に不均衡な分類シナリオでインスタンスの硬さを処理するために設計されたビジュアル分析システムである。 ユーザはさまざまな視点からデータのサブセットを探索して、これらのパラメータをすべて決定できる。 HardVisの有効性と有効性は仮説的利用シナリオとユースケースで実証される。
  論文  参考訳（メタデータ） (2022-03-29T17:04:16Z)
• 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)
• 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)

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。