論文の概要: RGB--Event Object Detection Across Operating Frequencies via Reliability-Supervised Routing and Asymmetric-Resolution Fusion

• arxiv url: http://arxiv.org/abs/2610.26090v1
• Date: Mon, 19 Oct 2026 09:51:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:15:52.307068
• Title: RGB--Event Object Detection Across Operating Frequencies via Reliability-Supervised Routing and Asymmetric-Resolution Fusion
• Title（参考訳）: RGB-Event Object Detection Across Operating Frequencies by Reliability-Supervised Routing and Asymmetric-Resolution Fusion (特集:情報ネットワーク)
• Abstract要約: イベントカメラはマイクロ秒の解像度で明るさの変化を記録するため、RGBイベント検出器はフレームを決定できる。 このレートが上がると、各決定はスペーサーイベントウィンドウを受け取る。 非対称分解能融合により、フレームはイベントが失敗する決定を行うことができる。
• 参考スコア（独自算出の注目度）: 2.4167727570610547
• License:
• Abstract: Autonomous vehicles must detect objects faster than a frame camera delivers images. Event cameras record brightness changes with microsecond resolution, so RGB--event detectors can decide between frames, at an operating frequency, the rate of decisions, far above the frame rate. As this rate rises, each decision receives a sparser event window, and the reliability of the events relative to the frame varies over the scene and over time. Existing detectors weight the sensors per sample and encode the frame at the reduced event resolution. Reliability-supervised routing assigns a fusion weight to every location and supervises it with targets from the losses of two single-modality classifiers used only in training, moving loss-based supervision of fusion weights from whole samples to individual locations. Asymmetric-resolution fusion lets the frame carry the decision where the events fail: it encodes the frame at native resolution and pools every feature level onto the event grid, reusing all pretrained weights. On the DSEC-Det dataset, routing halves the accuracy loss from 20 to 180 Hz, from 6.3 to 3.1 mAP, and lowers it in every seed. The resulting detector, ERA-Det, sets a new state of the art at 63.2 mAP, 3.7 mAP above FlexEvent, leads at every operating frequency, and at 180 Hz is more accurate than FlexEvent at 20 Hz. On two DAVIS346 datasets, the router lowers the frame weight at night and in low light and raises it when the events vanish. ERA-Det upgrades released FlexEvent weights in 5,000 iterations on one GPU.
• Abstract（参考訳）: 自動運転車は、フレームカメラが画像を配信するよりも速く物体を検出する必要がある。 イベントカメラは、マイクロ秒の解像度で明るさの変化を記録するため、RGBイベント検出器は、フレーム間、動作周波数、判定率をフレームレートよりはるかに上回ることができる。 このレートが上がると、各決定はスペーサーイベントウィンドウを受け取り、フレームに対するイベントの信頼性はシーンや時間とともに変化する。 既存の検出器はサンプルごとにセンサーを重み付け、イベントの解像度を下げてフレームをエンコードする。 信頼性に監督されたルーティングは、すべての場所に融合重量を割り当て、訓練でのみ使用される2つの単一モダリティ分類器の損失から目標を監督する。 フレームはネイティブ解像度でフレームを符号化し、すべての特徴レベルをイベントグリッドにプールし、事前訓練されたすべての重みを再利用する。 DSEC-Detデータセットでは、ルーティングは20から180Hzの精度損失を6.3から3.1mAPに半減し、すべてのシードで減少させる。 ERA-Detは、FlexEvent上の63.2 mAP、3.7 mAPで新しい最先端を設定し、全ての動作周波数を誘導し、180Hzでは20HzでFlexEventよりも正確である。 2つのDAVIS346データセットでは、ルータは夜間と低照度でフレーム重量を下げ、イベントが消えるとそれを上昇させる。 ERA-Detは1つのGPU上で5000イテレーションでFlexEventの重みをアップグレードした。

関連論文リスト

• Event-Frame Fusion for Inter-Frame Segmentation via Event-Guided Motion [3.66973045541795]
  本稿では,従来のフレームベースカメラとイベントベースカメラを組み合わせたハイブリッドビジョンアーキテクチャを提案する。 このフレームワークは、推定当たり1.87mJ以下のエネルギー消費で最大500Hzのセグメンテーション速度を達成する。 提案手法は,ぼかしや露出過多の影響を受け,フレーム内の情報損失を補償する。
  論文  参考訳（メタデータ） (2026-09-18T19:02:38Z)
• Uncertainty-Weighted Image-Event Multimodal Fusion for Video Anomaly Detection [13.866203856820759]
  Image-Event Fusion for Video Anomaly Detection (IEF-VAD)は、RGBビデオから直接イベント表現を合成するフレームワークである。 IEF-VADは、複数の実世界の異常検出ベンチマークにまたがって、新しい技術状態を設定する。
  論文  参考訳（メタデータ） (2025-05-05T06:33:20Z)
• FlexEvent: Towards Flexible Event-Frame Object Detection at Varying Operational Frequencies [59.10607296658509]
  イベントカメラは、動的環境におけるリアルタイムの知覚に相容れないアドバンテージを提供する。 イベント検出器は固定周波数のパラダイムによって制限されており、イベントデータの高時間分解能と適応性を完全に活用できない。 我々は、様々な周波数で検出できる新しいフレームワークFlexEventを提案する。
  論文  参考訳（メタデータ） (2024-12-09T17:57:14Z)
• 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)
• Frame-Event Alignment and Fusion Network for High Frame Rate Tracking [37.35823883499189]
  既存のRGBベースのトラッカーのほとんどは、毎秒約30フレームの低フレームレートベンチマークをターゲットにしている。 マルチモーダリティアライメントと融合モジュールからなるエンドツーエンドネットワークを提案する。 FE240hzデータセットを用いることで,240Hzまでのフレーム速度の追跡が可能となる。
  論文  参考訳（メタデータ） (2023-05-25T03:34:24Z)
• 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)
• MEFNet: Multi-scale Event Fusion Network for Motion Deblurring [62.60878284671317]
  従来のフレームベースのカメラは、長時間露光のために必然的に動きがぼやけている。 バイオインスパイアされたカメラの一種として、イベントカメラは、高時間分解能で非同期な方法で強度変化を記録する。 本稿では,イベントベースの画像劣化問題を再考し,これをエンドツーエンドの2段階画像復元ネットワークに展開する。
  論文  参考訳（メタデータ） (2021-11-30T23:18:35Z)
• 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)

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。