CN113988276B - 一种目标识别方法及系统 - Google Patents

一种目标识别方法及系统 Download PDF

Info

Publication number
CN113988276B
CN113988276B CN202111606870.XA CN202111606870A CN113988276B CN 113988276 B CN113988276 B CN 113988276B CN 202111606870 A CN202111606870 A CN 202111606870A CN 113988276 B CN113988276 B CN 113988276B
Authority
CN
China
Prior art keywords
pulse
current
membrane potential
model
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111606870.XA
Other languages
English (en)
Other versions
CN113988276A (zh
Inventor
杨宗林
杨立仁
乔树山
周玉梅
尚德龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Nanjing Intelligent Technology Research Institute
Original Assignee
Zhongke Nanjing Intelligent Technology Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongke Nanjing Intelligent Technology Research Institute filed Critical Zhongke Nanjing Intelligent Technology Research Institute
Priority to CN202111606870.XA priority Critical patent/CN113988276B/zh
Publication of CN113988276A publication Critical patent/CN113988276A/zh
Application granted granted Critical
Publication of CN113988276B publication Critical patent/CN113988276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种目标识别方法及系统，首先对事件流进行编码获得第一脉冲；其次将第一脉冲转换成第一电流，并将第一电流输入至脉冲神经网络中第一个神经元模型中计算第一膜电位；然后判断第一膜电位是否超过电压阈值；如果第一膜电位超过电压阈值，则生成第二脉冲，并利用脉冲神经网络中的突触传输模型将第二脉冲转换成第二电流，并将第二电流输入至脉冲神经网络中第二个神经元模型中；最后直到最后一个神经元模型生成的膜电位超过电压阈值时，则输出目标识别结果。本发明将编码后的事件流输入至脉冲神经网络中，既能在光线不足的恶劣环境下对目标进行识别，提高识别的准确性，还能够保留时间连续性，降低延时。

Description

一种目标识别方法及系统
技术领域
本发明涉及目标识别技术领域，特别是涉及一种目标识别方法及系统。
背景技术
当下传统的基于数值的神经网络在处理高速运动目标识别任务时存在以下不足：1、忽视了输入信号的时间信息，进而存在识别精度低的问题；2、涉及大量的乘加运算和待训练的参数，进而存在计算量大的问题；3、基于帧的高速相机在高速目标实时识别任务中存在延迟高，并且存储量大的问题。
发明内容
本发明的目的是提供一种目标识别方法及系统，以实现低延迟和准确目标识别。
为实现上述目的，本发明提供了一种目标识别方法，所述方法包括：
获取事件流；
对所述事件流进行编码，获得第一脉冲；
将所述第一脉冲转换成第一电流，并将第一电流输入至脉冲神经网络中第一个神经元模型中，计算第一膜电位；
判断所述第一膜电位是否超过电压阈值；如果所述第一膜电位超过电压阈值，则生成第二脉冲，并利用脉冲神经网络中的突触传输模型将第二脉冲转换成第二电流，并将第二电流输入至脉冲神经网络中第二个神经元模型中，计算第二膜电位；
判断所述第二膜电位是否超过电压阈值；如果所述第二膜电位超过电压阈值，则生成第三脉冲，依次类推，直到最后一个神经元模型生成的膜电位超过电压阈值时，则输出目标识别结果。
可选地，所述方法还包括：
利用突触动力学模型计算第一电流经过第一神经元模型后的衰减电流；所述第二电流=第一电流-衰减电流。
可选地，所述突触动力学模型为delta衰减型、exp衰减型和alpha衰减型中至少一种。
可选地，所述突触传导模型包括电流型、电导型和alpha函数型中至少一种。
可选地，所述事件流包括带有时间戳、二维空间坐标和事件极性。
本发明还提供一种目标识别系统，所述系统包括：
获取模块，用于获取事件流；
编码模块，用于对所述事件流进行编码，获得脉冲；
第一判断模块，用于判断所述第一膜电位是否超过电压阈值；如果所述第一膜电位超过电压阈值，则生成第二脉冲，并利用脉冲神经网络中的突触传输模型将第二脉冲转换成第二电流，并将第二电流输入至脉冲神经网络中第二个神经元模型中，计算第二膜电位；
第二判断模块，用于判断所述第二膜电位是否超过电压阈值；如果所述第二膜电位超过电压阈值，则生成第三脉冲，依次类推，直到最后一个神经元模型生成的膜电位超过电压阈值时，则输出目标识别结果。
可选地，所述系统还包括：
衰减电流计算模块，用于利用突触动力学模型计算第一电流经过第一神经元模型后的衰减电流；所述第二电流=第一电流-衰减电流。
可选地，所述事件流包括带有时间戳、二维空间坐标和事件极性。
本发明还提供一种目标识别系统，所述系统包括：
动态视觉传感器，获取事件流；
类脑计算平台，与所述动态视觉传感器连接，用于采用上述方法输出目标识别结果。
可选地，所述系统还包括：
上位机，分别与所述类脑计算平台和动态视觉传感器连接；所述上位机用于显示目标识别结果；所述上位机还用于将所述事件流发送至所述类脑计算平台。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明将编码后的事件流输入至脉冲神经网络中，既能在光线不足的恶劣环境下对目标进行识别，提高识别的准确性，还能够保留时间连续性，降低延时。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明目标识别方法流程图；
图2为本发明目标识别系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种目标识别方法及系统，以实现低延迟和准确目标识别。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明提供了一种目标识别方法，所述方法包括：
步骤S1：获取事件流。
步骤S2：对所述事件流进行编码，获得第一脉冲。
步骤S3：将所述第一脉冲转换成第一电流，并将第一电流输入至脉冲神经网络中第一个神经元模型中，计算第一膜电位。
步骤S4：判断所述第一膜电位是否超过电压阈值；如果所述第一膜电位超过电压阈值，则生成第二脉冲，并利用脉冲神经网络中的突触传输模型将第二脉冲转换成第二电流，并将第二电流输入至脉冲神经网络中第二个神经元模型中，计算第二膜电位。
步骤S5：判断所述第二膜电位是否超过电压阈值；如果所述第二膜电位超过电压阈值，则生成第三脉冲，依次类推，直到最后一个神经元模型生成的膜电位超过电压阈值时，则输出目标识别结果。
下面对各个步骤进行详细论述：
作为一种可选的实施方式，本发明所述方法还包括：
利用突触动力学模型计算第一电流经过第一神经元模型后的衰减电流；所述第二电流=第一电流-衰减电流。
本发明构建脉冲神经网络（SNN），所述脉冲神经网络由神经元模型、突触传导模型和突触动力学模型组成，其中，多个神经元模型之间相互连接，连接的方式包括：一对一连接、全连接、卷积连接、自定义神经元连接等。所述神经元模型的可选LIF神经元模型、Izhikevich模型、自定义房室模型等；突触传导模型的可选电流型、电导型、alpha函数型、自定义突触传导模型等；突触动力学模型的可选delta衰减型、exp衰减型、alpha衰减型、自定义突触动力学模型等。
本发明采用了LIF神经元模型作为CNN网络中的神经元模型，异步处理输入的脉冲(即积累时间轴上的空间信息)，在同一内核和线程上，无需等待上一输入任务结束后再进行下一次输入，具有节约算力的优势。对于简单任务，一对一连接即可获得良好的监测效果，而对于复杂任务，可结合卷积等操作作为神经元模型输入的脉冲编码，以提升计算网络的表达能力。
本发明采用LIF神经元模型的具体公式为：
Figure 448467DEST_PATH_IMAGE001
其中，U表示神经元膜电位，t和n分别表示神经网络层数和时间步长数，H表示时间输入，f（）表示阶跃函数，X表示空间输入，u th 表示阈值电压，Wn表示相邻层之间的突触权重矩阵，
Figure 552559DEST_PATH_IMAGE002
表示哈达玛积，
Figure 66716DEST_PATH_IMAGE003
表示膜电位漏电系数，g（）表示输入函数，Z表示脉冲。
实施例2
本发明还提供一种目标识别系统，所述系统包括：
获取模块，用于获取事件流。
编码模块，用于对所述事件流进行编码，获得脉冲。
第一判断模块，用于判断所述第一膜电位是否超过电压阈值；如果所述第一膜电位超过电压阈值，则生成第二脉冲，并利用脉冲神经网络中的突触传输模型将第二脉冲转换成第二电流，并将第二电流输入至脉冲神经网络中第二个神经元模型中，计算第二膜电位。
第二判断模块，用于判断所述第二膜电位是否超过电压阈值；如果所述第二膜电位超过电压阈值，则生成第三脉冲，依次类推，直到最后一个神经元模型生成的膜电位超过电压阈值时，则输出目标识别结果。
作为一种可选的实施方式，本发明所述膜电位计算模块具体为：
衰减电流计算模块，用于利用突触动力学模型计算第一电流经过第一神经元模型后的衰减电流；所述第二电流=第一电流-衰减电流。
与实施例1相同的部分在此不再一一赘述。
实施例3
如图2所示，本发明还提供一种目标识别系统，所述系统包括：
动态视觉传感器1，获取事件流。
类脑计算平台3，与所述动态视觉传感器1连接，用于采用实施例1中的方法输出目标识别结果。
作为一种可选的实施方式，本发明所述系统还包括：
上位机2，分别与所述类脑计算平台3和动态视觉传感器1连接；所述上位机2用于显示目标识别结果；所述上位机2还用于将所述事件流发送至所述类脑计算平台3。具体地，上位机2实时监测DVS的输出接口，输出接口有信号响应则立即向类脑计算平台3发送信号。类脑计算平台3的发送接口实时监测最后一个神经元模型的脉冲发放情况，若有脉冲发放，则向上位机2实时发送相应信号，上位机2接收到信号后显示识别结果。
为满足高速运动目标实时识别系统低延迟、低功耗、高动态范围的需求，选取DVS相机作为动态视觉传感器1。不同于产生低速同步帧的传统相机，DVS相机采用异步采样方式，且只有在感光器件上的光强发生变化时才会产生信号。在实际使用中，DVS相机能够以极高的时间分辨率记录每个像素点上光强变化的时间和极性。比起传统相机，使用DVS相机采集信号产生的数据更少，相应地占用的资源也更少。同时，由于DVS相机具备微秒级的采样时间分辨率，因此其能够很好地解决目标高速运动造成的运动模糊问题。综合以上原因，本系统的信号采集模块选用DVS相机能够满足在光照条件不佳的环境中识别高速运动目标的需求。
在本发明中，通过上位机2控制DVS相机工作，并接收其采集到的信号。具体的，使用DVS相机的SDK开发接口将采集事件流先缓存至buffer，随后读出事件流。采集到的事件流为带有时间戳、二维空间坐标和事件极性的异步事件流，其中极性表示亮度的增强或减弱，通过1或0表示。
受哺乳动物视觉皮层工作机制的启发，本发明通过搭建脉冲神经网络（SNN）进行计算。脉冲神经网络具有独特的事件触发计算特性，其采用脉冲序列作为数据传输形式，并以网络的形式层次化地相互连接。在这些基于脉冲的SNN中，一种常用的方法是假设没有接收到任何输入脉冲的神经元将跳过计算，因此，SNN能够以低延迟和低功耗的方式对事件做出响应，非常适用于高速目标识别任务。本发明的计算部分采用类脑计算平台，并通过部署SNN网络来对信号采集模块获取到的数据进行计算，实现目标识别功能。本发明训练好的脉冲神经网络的最后一个神经元模型发放脉冲即目标类别对应的神经元发放脉冲，实现分类。输出神经元（即最后一个神经元模型）的神经元编号和one-hot作用类似，输出神经元发放脉冲即为1，其余神经元不发放脉冲即为0。与传统神经网络相比，无需进行softmax、max计算后分类就可以进行分类决策。
本发明构建脉冲神经网络（SNN），所述脉冲神经网络由神经元模型、突触传导模型和突触动力学模型组成，其中，多个神经元模型之间相互连接，连接的方式包括：一对一连接、全连接、卷积连接、自定义神经元连接等。所述神经元模型的可选LIF神经元模型、Izhikevich模型、自定义房室模型等；突触传导模型的可选电流型、电导型、alpha函数型、自定义突触传导模型等；突触动力学模型的可选delta衰减型、exp衰减型、alpha衰减型、自定义突触动力学模型等。
由于整个系统的信号采集和计算功能部署在不同的设备上，因此需要通过一个上位机2实现DVS相机与类脑计算平台3之间数据的通信及交互控制。本系统中选用PC作为上位机2，具体功能为控制DVS相机采集数据并存储，以及控制类脑计算平台3进行计算并保存返回值。为了满足实时的要求，上位机2需要对DVS事件流数据的采存、类脑计算平台3网络节点的部署、数据的收发等任务进行多线程处理，使各个模块实现并行。
1、本发明基于事件驱动的原理设计，对目标任务的采存以及计算上均具备稀疏分布的特性，因此在同样的带宽以及算力下，占用更少的资源、耗费更少的时间，实时任务上，具有低延迟、低能耗的优势。
2、本发明识别网络是基于SNN设计的，更具生物可解释性，并且保留了时间连续性。
3、本发明采用DVS相机作为采集设备，除了稀疏特性以外，还具备高动态范围，能够在光线不足的恶劣环境下正常工作。
4、本发明利用DVS相机与类脑计算平台特性，搭建基于脉冲神经网络的高速目标实时识别的系统，能够解决光线不佳、运动模糊以及昏暗环境的问题，实现了低延迟、低功耗、高动态范围的高速目标实时监测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种目标识别系统，其特征在于，所述系统包括：
动态视觉传感器，获取事件流；选取DVS相机作为动态视觉传感器；DVS相机采用异步采样方式；通过上位机控制DVS相机工作，并接收其采集到的信号；具体的，使用DVS相机的SDK开发接口将采集事件流先缓存至buffer，随后读出事件流；采集到的事件流为带有时间戳、二维空间坐标和事件极性的异步事件流，其中极性表示亮度的增强或减弱，通过1或0表示；
类脑计算平台，与所述动态视觉传感器连接，用于获取事件流；对所述事件流进行编码，获得第一脉冲；将所述第一脉冲转换成第一电流，并将第一电流输入至脉冲神经网络中第一个神经元模型中，计算第一膜电位；判断所述第一膜电位是否超过电压阈值；如果所述第一膜电位超过电压阈值，则生成第二脉冲，并利用脉冲神经网络中的突触传导模型将第二脉冲转换成第二电流，并将第二电流输入至脉冲神经网络中第二个神经元模型中，计算第二膜电位；判断所述第二膜电位是否超过电压阈值；如果所述第二膜电位超过电压阈值，则生成第三脉冲，依次类推，直到最后一个神经元模型生成的膜电位超过电压阈值时，则输出目标识别结果；
所述脉冲神经网络由神经元模型、突触传导模型和突触动力学模型组成；其中，多个神经元模型之间相互连接，连接的方式包括：一对一连接、全连接、卷积连接、自定义神经元连接；
采用LIF神经元模型作为脉冲神经网络中的神经元模型，异步处理输入的脉冲，在同一内核和线程上，无需等待上一输入任务结束后再进行下一次输入；采用LIF神经元模型的具体公式为：
Figure FDA0003647076070000014
Figure FDA0003647076070000015
Figure FDA0003647076070000011
Figure FDA0003647076070000016
其中，U表示神经元膜电位，t和n分别表示神经网络层数和时间步长数，H表示时间输入，f()表示阶跃函数，X表示空间输入，uth表示阈值电压，Wn表示相邻层之间的突触权重矩阵，
Figure FDA0003647076070000013
表示哈达玛积，
Figure FDA0003647076070000012
表示膜电位漏电系数，g()表示输入函数，Z表示脉冲；
所述类脑计算平台还包括：
利用突触动力学模型计算第一电流经过第一神经元模型后的衰减电流；所述第二电流＝第一电流-衰减电流；
上位机，分别与所述类脑计算平台和动态视觉传感器连接；所述上位机用于显示目标识别结果；所述上位机还用于将所述事件流发送至所述类脑计算平台；具体地，上位机实时监测DVS相机的输出接口，输出接口有信号响应则立即向类脑计算平台发送信号；类脑计算平台的发送接口实时监测最后一个神经元模型的脉冲发放情况，若有脉冲发放，则向上位机实时发送相应信号，上位机接收到信号后显示识别结果；上位机对DVS事件流数据的采存、类脑计算平台网络节点的部署、数据的收发任务进行多线程处理。
2.根据权利要求1所述的目标识别系统，其特征在于，所述突触动力学模型为delta衰减型、exp衰减型和alpha衰减型中至少一种。
3.根据权利要求1所述的目标识别系统，其特征在于，所述突触传导模型包括电流型、电导型和alpha函数型中至少一种。
CN202111606870.XA 2021-12-27 2021-12-27 一种目标识别方法及系统 Active CN113988276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111606870.XA CN113988276B (zh) 2021-12-27 2021-12-27 一种目标识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111606870.XA CN113988276B (zh) 2021-12-27 2021-12-27 一种目标识别方法及系统

Publications (2)

Publication Number Publication Date
CN113988276A CN113988276A (zh) 2022-01-28
CN113988276B true CN113988276B (zh) 2022-08-30

Family

ID=79734334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111606870.XA Active CN113988276B (zh) 2021-12-27 2021-12-27 一种目标识别方法及系统

Country Status (1)

Country Link
CN (1) CN113988276B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429491B (zh) * 2022-04-07 2022-07-08 之江实验室 一种基于事件相机的脉冲神经网络目标跟踪方法和系统
CN115841142B (zh) * 2023-02-20 2023-06-06 鹏城实验室 基于深度脉冲神经网络的视觉皮层模拟方法及相关设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699956A (zh) * 2021-01-08 2021-04-23 西安交通大学 一种基于改进脉冲神经网络的神经形态视觉目标分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742153B (zh) * 2017-10-20 2020-02-21 华中科技大学 一种基于忆阻器的具有稳态可塑性的神经元电路
CN111639754A (zh) * 2020-06-05 2020-09-08 四川大学 一种神经网络的构建、训练、识别方法和系统、存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699956A (zh) * 2021-01-08 2021-04-23 西安交通大学 一种基于改进脉冲神经网络的神经形态视觉目标分类方法

Also Published As

Publication number Publication date
CN113988276A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN113988276B (zh) 一种目标识别方法及系统
Kugele et al. Efficient processing of spatio-temporal data streams with spiking neural networks
Kim et al. Optimizing deeper spiking neural networks for dynamic vision sensing
CN112699956B (zh) 一种基于改进脉冲神经网络的神经形态视觉目标分类方法
US10671912B2 (en) Spatio-temporal spiking neural networks in neuromorphic hardware systems
CN113408671B (zh) 一种对象识别方法及装置、芯片及电子设备
US20200372254A1 (en) Method for outputting a signal from an event-based sensor, and event-based sensor using such method
CN111695681B (zh) 一种高分辨率动态视觉观测方法及装置
CN115601403A (zh) 一种基于自注意力机制的事件相机光流估计方法及装置
CN112712170A (zh) 基于输入加权脉冲神经网络的神经形态视觉目标分类系统
CN114067166A (zh) 用于确定物理对象的物理特性的设备和方法
Liu et al. Motion robust high-speed light-weighted object detection with event camera
Li et al. Event stream super-resolution via spatiotemporal constraint learning
Biswas et al. HALSIE: Hybrid Approach to Learning Segmentation by Simultaneously Exploiting Image and Event Modalities
CN113705445A (zh) 一种基于事件相机的人体姿态识别的方法及设备
Acharya et al. Spiking neural network based region proposal networks for neuromorphic vision sensors
CN115953438A (zh) 光流估计方法及装置、芯片及电子设备
CN116363415A (zh) 一种基于自适应特征层融合的船舶目标检测方法
Gamage et al. Event-based classification of defects in civil infrastructures with Artificial and Spiking Neural Networks
Xiao et al. A Preliminary Research on Space Situational Awareness Based on Event Cameras
Zhang et al. A 1000 fps spiking neural network tracking algorithm for on-chip processing of dynamic vision sensor data
Guerrero et al. Event-Based Regression with Spiking Networks
Vicol et al. Real-time classification of LIDAR data using discrete-time Recurrent Spiking Neural Networks
Yi Design of moving object detection system based on FPGA
Ahmed et al. A Hybrid SNN-ANN Network for Event-based Object Detection with Spatial and Temporal Attention

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant