論文の概要: GeoIMO: Geometry-Driven Independent Motion Classification for Event Cameras

• arxiv url: http://arxiv.org/abs/2606.24499v1
• Date: Tue, 23 Jun 2026 12:30:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.941857
• Title: GeoIMO: Geometry-Driven Independent Motion Classification for Event Cameras
• Title（参考訳）: GeoIMO: イベントカメラのための幾何学駆動独立運動分類
• Authors: Anil Bayram Gogebakan, Filippo Marostica, Alessio Caviglia, Alessandro Savino, Stefano Di Carlo,
• Abstract要約: 本稿では,検出されたオブジェクトをイベントストリームから直接エゴモーション構造を利用して静的あるいは独立に移動させる幾何学駆動型フレームワークを提案する。 MVSECとProphesee 1 Megapixel Automotive Detectionデータセットの実験は、さまざまな運転シナリオで一貫したパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 37.09823149373976
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing automotive event datasets rely on appearance-based annotations from frame pipelines, making them poorly suited for motion-aware event perception. We present a geometry-driven, annotation-free framework that classifies detected objects as static or independently moving by exploiting ego-motion structure directly from the event stream. A Focus of Expansion model with yaw compensation estimates global background motion, while objects are labeled as moving when local motion deviates from this prediction, as quantified by a scale-invariant residual. Temporal stabilization improves robustness across consecutive event windows. The method requires no learning, no manual motion labels, and works with any input bounding boxes. Experiments on MVSEC and the Prophesee 1 Megapixel Automotive Detection dataset demonstrate consistent performance across diverse driving scenarios, with yaw compensation improving results during turns and a simple translational local model offering a favorable accuracy-efficiency trade-off.
• Abstract（参考訳）: 既存の自動車イベントデータセットは、フレームパイプラインの外観ベースのアノテーションに依存しており、モーションアウェアなイベント認識には適していない。 本稿では,検出されたオブジェクトをイベントストリームから直接エゴモーション構造を利用して静的あるいは独立に移動させる,幾何学駆動型アノテーションフリーフレームワークを提案する。 局所的な動きがこの予測から逸脱した場合、スケール不変残差によって定量化され、オブジェクトは移動としてラベル付けされる。 時間安定化は連続するイベントウィンドウ間の堅牢性を改善する。 この方法は学習を必要とせず、手動のモーションラベルも必要とせず、任意の入力バウンディングボックスで動作する。 MVSECとProphesee 1 Megapixel Automotive Detectionデータセットの実験は、様々な運転シナリオ間で一貫した性能を示し、ターン中の結果を改善するヨー補償と、良好な精度と効率のトレードオフを提供する単純な翻訳ローカルモデルである。

関連論文リスト

• Iterative Event-based Motion Segmentation by Variational Contrast Maximization [16.68279129685]
  イベントカメラは、シーンの変化に反応するため、モーション推定に適したリッチな信号を提供する。 事象を背景(支配的な動き仮説など)と前景(独立な動き残差)に分類する反復的な動き分割法を提案する。 実験の結果,提案手法は,公開データセットと自己記録データセットの両方において,イベントクラスタの分類に成功していることがわかった。
  論文  参考訳（メタデータ） (2025-04-25T16:00:23Z)
• EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation [59.33052312107478]
  イベントカメラは、シーン変化に対する連続的適応ピクセルレベル応答による3次元モーション推定の可能性を提供する。 本稿では,イベント誘導パラメトリック曲線を用いた一様軌道をモデル化するイベントベースフレームワークであるEMoveについて述べる。 動作表現には,事象誘導下での空間的特徴と時間的特徴を融合する密度認識適応機構を導入する。 最終3次元運動推定は、パラメトリック軌道、流れ、深度運動場の多時間サンプリングによって達成される。
  論文  参考訳（メタデータ） (2025-03-14T13:15:54Z)
• MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
  本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。 事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。 このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
  論文  参考訳（メタデータ） (2024-12-02T09:13:29Z)
• ESVO2: Direct Visual-Inertial Odometry with Stereo Event Cameras [41.992980062962495]
  イベントベースビジュアル・オドメトリーは、追跡とサブプロブレムのマッピング(典型的には並列)を解決することを目的としている 直接パイプライン上に,イベントベースのステレオビジュアル慣性オドメトリーシステムを構築した。 結果として得られるシステムは、現代の高解像度のイベントカメラでうまくスケールする。
  論文  参考訳（メタデータ） (2024-10-12T05:35:27Z)
• Asynchronous Optimisation for Event-based Visual Odometry [53.59879499700895]
  イベントカメラは、低レイテンシと高ダイナミックレンジのために、ロボット知覚の新しい可能性を開く。 イベントベースビジュアル・オドメトリー(VO)に焦点をあてる 動作最適化のバックエンドとして非同期構造を提案する。
  論文  参考訳（メタデータ） (2022-03-02T11:28:47Z)
• Event-based Motion Segmentation with Spatio-Temporal Graph Cuts [51.17064599766138]
  イベントベースカメラで取得したオブジェクトを独立に識別する手法を開発した。 この方法は、予想される移動物体の数を事前に決定することなく、技術状態よりも同等以上の性能を発揮する。
  論文  参考訳（メタデータ） (2020-12-16T04:06:02Z)

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。