.png){kind=icon}
返回
Deep Learning-Based Event Data Coding: A Joint Spatiotemporal and Polarity Solution
.png){kind=icon}
OA
AI
DOI：10.1109/OJSP.2026.3656104.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经形态视觉传感器，通常称为事件相机，生成大量的像素级事件，由时空和极性信息组成，因此需要高效的编码方案。现有方案专注于事件数据的无损编码，假设目标应用场景（主要包括分类和识别等计算机视觉任务）不允许任何失真。一种有前景的编码方法利用了事件数据与点云之间的相似性，两者均为3D点集，因此可以使用当前的点云编码方案对事件数据进行编码，通常采用双点云表示，每种事件极性各一个点云。本文提出了一种新颖的有损深度学习基础联合事件数据编码（DL-JEC）方案，首次采用单点云表示，其中事件极性充当点云属性，从而能够利用几何/时空和极性事件信息之间的相关性。此外，本文还提出了新颖的自适应体素二值化策略，可用于DL-JEC，针对质量导向或计算机视觉任务导向进行优化，以最大化当前任务的性能。与相关的传统和深度学习基础的事件数据编码方案（特别是MPEG G-PCC和JPEG Pleno PCC标准）相比，DL-JEC可以实现显著的压缩性能提升。此外，研究表明，可以在显著降低比特率（相对于无损编码）的同时，不损害目标计算机视觉任务（特别是事件分类）的性能，从而改变了当前的事件数据编码范式。
Keyword:
Deep learning
event data classification
event data coding
point cloud coding
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.7
论文数:
157
被引数:
535
机构
引用论文
The Multivehicle Stereo Event Camera Dataset: An Event Camera Dataset for 3D Perception多车辆立体事件相机数据集：用于3D感知的事件相机数据集OAAI
OAAI分享收藏The JPEG Pleno Learning-Based Point Cloud Coding Standard: Serving Man and Machine.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Lossless Compression of Neuromorphic Vision Sensor Data Based on Point Cloud Representation基于点云表示的神经形态视觉传感器数据无损压缩IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Spatial-temporal Data Compression of Dynamic Vision Sensor Output with High Pixel-level Saliency using Low-precision Sparse Autoencoder基于低精度稀疏自编码器的高像素级显著性动态视觉传感器输出时空数据压缩
PREAI
分享收藏The event-camera dataset and simulator: Event-based data for pose estimation, visual odometry, and SLAM事件相机数据集和模拟器: 用于姿态估计，视觉里程计和SLAM的基于事件的数据OAAI
OAAI分享收藏
查看更多内容