.png){kind=icon}
返回
Few-shot event-based action recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107750.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管事件相机在实践视觉应用（例如动作识别）中具有明显的优越性，但由于其独特的传感机制，现有的事件驱动动作识别方法严重依赖大规模训练数据。然而，相机部署的高昂成本以及数据隐私保护的要求使得在实际场景中收集大量数据具有挑战性。为解决此局限性，我们探索了一种新颖且实用的任务——少样本事件驱动动作识别（FSEAR），其目标在于利用极少量的难以获取的事件动作数据进行模型训练，并将无标签数据准确分类到特定类别中。为此，我们设计了FSEAR的新框架，包括噪声感知事件编码器（NAE）和蒸馏原型距离融合（DPDF）。前者在时空域中高效过滤噪声，同时保留与动作时间相关的关键信息；后者则在几何、方向和分布维度上进行多尺度测量。这两个模块相互促进，从而有效挖掘事件数据的潜在特征。在四个不同的事件动作识别数据集上的广泛实验表明，我们的模型相比其他少样本学习方法具有显著优势。我们的代码和模型将公开发布。
Keyword:
Event camera
Few-shot learning
Action recognition
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
查看更多内容