时域感兴趣区域精确定位与膜电位多核调整的 动态视觉传感器数据分类

摘要：

动态视觉传感器(DVS)因其在获取视觉信息时具有低功耗,低延迟等特性,本质上十分适用于便携式设备上的实时动作识别.在对DVS事件流时域感兴趣区域(ROI)进行定位与分割时,现有方法往往不能根据不同物体运动自适应地设定最佳检测阈值、无法对静态场景中少量背景噪声进行过滤,为此,提出基于LIF神经元模型和脉冲最大值监测单元的运动符号检测(MSD),以实现在多种不同物体运动下事件流时域ROI关键时间点的自适应精确定位;在对分类器进行训练时,对不同的脉冲输入模式,使用不同的核函数调整突触后神经元膜电位,使训练得到的突触权重朝着正确发放的方向改变,提出一种具有抗噪性的脉冲神经网络学习算法MK–Tempotron.实验结果表明,与同类方法相比,本文方法在DVS数据集上的识别精度能获得高达14.61％的提升.

关键词：动态视觉传感器DVS、DVS数据分类、目标识别、时域感兴趣区域ROI、神经网络、MK—Tempotron

所属期刊栏目：37

资助基金：广东省自然科学基金项目;广东省交通运输厅科技项目

在线出版日期：2020-09-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1837-1845