Effiziente Ereignisdatenassoziation durch robustes Modellschätzen für ereignisbasierte Objektverfolgung
Das vorgeschlagene EDA-Verfahren sucht nach Ereignistrajektorien, die die Ereignisdaten am besten anpassen, um die Datenassoziation und Informationsfusion durchzuführen.
Effiziente und robuste ereignisbasierte semantische Segmentierung durch hybrides Pseudo-Labeling
Unser Ansatz HPL-ESS überwindet die Herausforderungen verrauschter Pseudo-Labels durch die Kombination von selbstüberwachtem domänenadaptivem Lernen und offline Event-zu-Bild-Rekonstruktion, um hochwertige hybride Pseudo-Labels zu generieren. Zusätzlich verbessert ein Modul zur weichen prototypischen Ausrichtung die Konsistenz der Merkmale in der Zieldomäne.
Unsupervised Quellen-freie Kreuzmodal-Anpassung für ereignisbasierte Objekterkennung
Wir adressieren ein neuartiges und herausforderndes Problem der Kreuzmodal-Anpassung von Bild zu Ereignis für ereignisbasierte Objekterkennung ohne Zugriff auf Quelldaten. Dazu führen wir EventDance ein, ein Framework, das rekonstruktionsbasierte Modalitätsüberbrückung und mehrfache Repräsentations-Wissensanpassung kombiniert.
Adaptive Sampling mit rekurrenten Spiking Neural Networks für ereignisbasierte Objekterkennung
Die Autoren entwickeln eine lernbare adaptive Abtastmethode und realisieren einen end-to-end ereignisbasierten Erkennungsrahmen über Spiking Neural Networks, der die Prozesse des Abtastens, der Aggregation und der Merkmalsextraktion nahtlos integriert.
Ereignisbasierte Handlungserkennung durch sprachgeleitetes konzeptuelles Schlussfolgern und Unsicherheitsschätzung
Unser ExACT-Rahmenwerk nutzt Sprache als Anleitung, um semantische Unsicherheiten zu schätzen und komplexe semantische Beziehungen für ereignisbasierte Handlungserkennung aufzubauen.
Verbesserte ereignisbasierte Videoreproduktion mit Bewegungskompensation
Ein leistungsfähiges Netzwerk zur ereignisbasierten Videoreproduktion, das Bewegungsschätzung integriert, um die Rekonstruktionsqualität zu verbessern.
© 2024 by Linnk AI