VisEvent
PulseAugur coverage of VisEvent — every cluster mentioning VisEvent across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的脉冲驱动跟踪器EM-SDTrack提高了事件相机的效率
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…
-
联邦学习框架提升RGB-X跟踪精度
研究人员开发了Fed-MAPTrack,一个新颖的联邦学习框架,专为RGB-X跟踪任务设计。该方法解决了在不集中敏感视频数据的情况下训练多模态跟踪模型的挑战。Fed-MAPTrack优化了与提示相关的参数,允许仅RGB的客户端为全局RGB库做出贡献,同时为热成像、事件和深度数据维护独立的库。实验表明,在各种数据集上跟踪精度显著提高,在热成像和深度跟踪方面优于其他方法。
-
新AI框架利用多模态数据增强多目标跟踪能力
研究人员开发了利用多模态数据的新型多目标跟踪框架。其中一种方法DRTrack利用多模态大语言模型和深度信息,根据语言描述跟踪特定目标,克服了仅使用2D方法的局限性。另一种方法UniMergeTrack采用分层模型合并,整合来自热成像、事件和深度数据等不同传感器模态的知识,提高了跟踪的鲁棒性和在各种基准测试中的泛化能力。
-
Mask IPL 通过无噪声位置学习增强了基于事件的跟踪
研究人员推出 Mask IPL,一种用于事件驱动的基于脉冲的跟踪的无噪声内在位置学习的新方法。该技术通过分析和改进内在位置学习 (IPL) 与多阶段卷积之间的协同作用,增强了脉冲神经网络 (SNN) 的有效性。Mask IPL 利用计算图裁剪方法在前向和后向传播中消除噪声,而无需添加参数或增加计算成本。改进后的方法已展示出增强的性能,尤其是在 FE108、FELT 和 VisEvent 等数据集上提高了跟踪器的 AUC。
-
新框架提升多模态视觉跟踪的准确性和效率
两篇新研究论文提出了一种用于统一多模态视觉跟踪的新颖框架,旨在提高准确性和效率。第一篇论文介绍了ACTrack,这是一个代理协调框架,它将各种模型视为工具,以利用它们在目标识别和运动预测方面的互补优势。第二篇论文侧重于通过知识蒸馏与结构剪枝相结合来创建紧凑、高效的多模态跟踪器,特别是针对预测头,以实现边缘设备的实时推理。
-
新的APRTrack框架提高了RGB-事件视觉目标跟踪的鲁棒性
研究人员开发了APRTrack,一个旨在增强RGB-事件视觉目标跟踪在挑战性环境中的新颖框架。该系统通过在模态和空间层面采用对抗扰动来解决目标可见性部分和RGB或事件传感器数据退化等问题。它还包含一个足迹引导的通道校准Hopfield检索(FCHR)模块,用于可靠地补偿历史信息,确保即使在目标数据不完整的情况下也能保持跟踪精度。
-
新的ISTASTrack系统融合ANN和SNN以增强视觉跟踪
研究人员开发了ISTASTrack,一种新颖的混合跟踪系统,它结合了人工神经网络(ANN)和脉冲神经网络(SNN)来实现RGB-事件视觉对象跟踪。该系统利用基于Transformer的架构和专用的ISTA适配器,促进RGB和事件数据流之间的双向特征交互。该方法旨在有效地融合来自这些异构源的信息,从而在基准数据集上实现最先进的性能和高能效。