تقدم ورقة الذكاء الاصطناعي هذه إطار عمل للكشف عن المركبات قائم على الأحداث ومجموعة بيانات للتتبع

ستساعدك المقالة التالية: تقدم ورقة الذكاء الاصطناعي هذه إطار عمل للكشف عن المركبات قائم على الأحداث ومجموعة بيانات للتتبع

تعد الرؤية المستندة إلى الحدث العصبي مجالًا متناميًا يتضمن استخدام كاميرات الأحداث ، والتي تلتقط تغيرات السطوع بشكل مستقل في كل بكسل بدلاً من تسجيل كثافة اللون بمعدل ثابت مثل الكاميرات التقليدية القائمة على الإطار. تم تقديم كاميرات الأحداث هذه ، والمعروفة أيضًا باسم أجهزة الاستشعار القائمة على الأحداث ، لأول مرة في عام 2008 وقدمت مزايا مميزة على الكاميرات القائمة على الإطار. تلتقط كاميرات الأحداث تغييرات السطوع أو الأحداث بشكل غير متزامن ومستقل في كل بكسل. يتضمن كل حدث وقت اكتشافه وإحداثيات البكسل ونوع تغيير السطوع المسجل. يسمح هذا لكاميرات الأحداث بالتقاط التغييرات في المشهد ، والتي غالبًا ما تشبه الحركة ، في وقت حدوثها والحصول على دقة زمنية عالية وزمن انتقال منخفض. في المقابل ، تلتقط الكاميرات التقليدية القائمة على الإطارات الصور بمعدل ثابت وقد تنتج بيانات زائدة عن الحاجة في المشاهد الثابتة. تجعل هذه الخصائص كاميرات الأحداث جذابة للعديد من التطبيقات ، بما في ذلك إزالة الحواف الحركية واكتشاف الأشياء.

تلتقط كاميرات الأحداث ، المعروفة أيضًا باسم المستشعرات المستندة إلى الأحداث ، تغييرات السطوع في المشهد بشكل غير متزامن ومستقل عند كل بكسل. تتمتع هذه المستشعرات بدقة زمنية عالية ، وزمن انتقال منخفض ، ونطاق ديناميكي عالٍ ، مما يجعلها مناسبة لتطبيقات مختلفة ، مثل إزاحة الحركة واكتشاف الأشياء. ومع ذلك ، قد تكون كاميرات الأحداث أقل فاعلية في المشاهد ذات الحركة المحدودة ، حيث توجد حاجة للإشارات المرئية لاستخدام هذه الطريقة بشكل موثوق. في مثل هذه السيناريوهات ، قد تكون عمليات التنفيذ القائمة على الأحداث غير موثوقة. على الرغم من ذلك ، فإن إمكانات الرؤية القائمة على الحدث كبيرة. يمكن أن يوفر الفوائد المثلى عندما يقترن بالرؤية القائمة على الإطار ، حيث يمكن أن تكمل كلتا الطريقتين بعضهما البعض عند استخدامها بشكل صحيح. يمكن أن يتيح ذلك أداء إدراك أكثر قوة للأنظمة الآلية. استخدمت الأعمال الحالية كاميرات الأحداث في تطبيقات مختلفة ، بما في ذلك تركيب فيديو HDR عالي الإطار وإعادة بناء الصورة من الأحداث.

في هذا العمل ، يبحث المؤلفون في نهج هجين يجمع بين البيانات المستندة إلى الإطار والبيانات المستندة إلى الأحداث من أجل مهام الكشف عن الكائنات وتتبعها. يتضمن اكتشاف الكائن تحديد وجود الكائنات وموقعها في الصورة ، بينما يتكون تتبع الكائن من متابعة حركة الأشياء بمرور الوقت. هاتان المهمتان مهمتان للأنظمة الآلية لفهم محيطها وتفسيره ، ولديهما تطبيقات مختلفة في مجال الروبوتات ، مثل مراقبة حركة المرور والمراقبة والمركبات المستقلة. يمكن أن يختلف أداء اكتشاف الكائن اعتمادًا على الطريقة المستخدمة ، وقد يكون لبعض الأساليب مقايضات بين الدقة ووقت الاستجابة. يقترح المؤلفون استخدام البيانات المستندة إلى الأحداث لتحسين أداء كاشف الكائنات القائم على الشبكة العصبية العميقة في سيناريوهات معينة. يهدف المؤلفون إلى تحسين الأداء العام لتتبع الكائنات من خلال الجمع بين نقاط القوة لكل من البيانات المستندة إلى الإطار والبيانات المستندة إلى الحدث.

تقدم هذه الورقة نهجًا مختلطًا لاكتشاف الكائنات وتتبعها باستخدام كل من البيانات المستندة إلى الإطار والحدث. الهدف هو تحسين الأداء العام لتتبع الكائن من خلال الاستفادة من نقاط القوة في كلا الطريقتين. يمكن أن يحد معدل الإطارات الثابت لمصدر الإدخال من طرق الكشف عن الكائنات وتتبعها التقليدية باستخدام البيانات القائمة على الإطار. قد تتطلب أجهزة صارمة لتحقيق الأداء في الوقت الفعلي. يقترح المؤلفون ثلاث طرق لتحسين اكتشاف الأشياء وتتبعها باستخدام التقنيات القائمة على الأحداث:

1. إنهم يحسنون دقة الصناديق المحيطة التي تقدمها أجهزة الكشف عن الكائنات القائمة على الإطار باستخدام مجموعة من بيانات الأحداث وطرق رؤية الكمبيوتر الكلاسيكية.
2. إنها تعزز متانة واتساق أجهزة الكشف عن الأجسام القائمة على الإطار باستخدام طرق الكشف القائمة على الأحداث. يتم بدء هذه الطريقة عندما يفشل كاشف الكائن المستند إلى الإطار في اكتشاف كائن في إطار معين ، مما يؤدي إلى تحسين موثوقية اكتشاف الكائن وأداء التتبع المقابل باستخدام بيانات الأحداث ذات الدقة الزمنية العالية.
3. يقومون بتقييم تأثيرات هذه الأساليب عدديًا باستخدام مجموعة بيانات معنونة بالكامل ومقاييس تتبع متعددة الكائنات.

كما يقارنون التكلفة الحسابية للطرق المستندة إلى الحدث بالمكونات القائمة على الإطار.

يقترح المؤلفون ثلاث طرق لتحسين اكتشاف الكائنات وتتبعها باستخدام البيانات المستندة إلى الأحداث. أولاً ، يقدمون طريقة تحسين مربع الإحاطة المستندة إلى الحدث للمشاهد الثابتة وطريقة قائمة على الحدث لاستعادة الكائنات المخفية في مجال الإطار. ثانيًا ، يقدمون دراسة الاجتثاث للتحقق كميًا من فوائد كل طريقة قائمة على الحدث مقدمة ومزيجها الأمثل باستخدام مقياس HOTA. ثالثًا ، أنها توفر تحليل زمن الوصول الحسابي للطرق المقدمة والمكونات الأساسية للنظام المقترح. أخيرًا ، يقومون بإجراء تجربة تحقق في العالم الحقيقي باستخدام LiDAR عالي السرعة لتقييم مدى جودة الإطار المقدم ، بما في ذلك الأساليب الإضافية المستندة إلى الأحداث ، وتقدير موضع السيارة بدقة زمنية مختلفة ومعدلات تتبع. المساهمات الرئيسية في هذه الورقة هي تحسين أداء الكشف عن الكائنات وتتبعها باستخدام البيانات المستندة إلى الأحداث ، والتحليل الكمي لفوائد الأساليب المستندة إلى الحدث ، وتحليل زمن الانتقال الحسابي.