研究人员开发了EM-SDTrack,一种专为事件相机设计的新型脉冲驱动跟踪系统。事件相机以其稀疏输出和在神经形态硬件上的高效率而闻名。该系统通过引入脉冲驱动多尺度交互(SDMI)和二元脉冲采样(DSS)来解决多尺度目标表示的挑战,从而在单次脉冲传递中实现高效的跨尺度交互。为了在资源有限的边缘设备上部署,研究人员使用极性优先蒸馏(PPD)和极性引导曲率蒸馏(PGCD)创建了一个精简版本EM-SDTrack,该版本在显著降低能耗和参数数量的同时,几乎保留了所有精度。 AI
影响 提高了神经形态硬件上实时跟踪的效率和准确性,可能为机器人和边缘计算领域带来新的应用。
排序理由 该条目是一篇学术论文,详细介绍了新算法及其在特定数据集和硬件上的性能。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- Dyadic Spike Sampling
- EM-SDTrack
- event cameras
- FE108
- FELT
- Lynxi KA200
- M-SDTrack
- M-SDTrack-Tiny
- Neuromorphic edge
- Polarity-Guided Curvature Distillation
- Polarity-Privileged Distillation
- Spike-driven Multi-Scale Interaction
- Spike-driven trackers
- Spiking neural networks
- VisEvent
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →