مقاله حذف نویز دوربین‌های نورومورفیک مبتنی بر ویژگی‌های طیفی گراف
,

مقاله حذف نویز دوربین‌های نورومورفیک مبتنی بر ویژگی‌های طیفی گراف

تومان249,950

دوربین‌های نورومورفیک که با نام دوربین‌های مبتنی بر رویداد نیز شناخته می‌شوند، قادرند تغییرات روشنایی محیط را به صورت ناهمزمان و مستقل برای هر پیکسل تشخیص دهند. این دوربین‌ها، تغییرات روشنایی یا همان …

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000229 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

حذف نویز دوربین‌های نورومورفیک مبتنی بر ویژگی‌های طیفی گراف

Denoising for Neuromorphic Cameras Based on Graph Spectral Features

نویسندگان: Shimpei Harada, Junya Hara, Hiroshi Higashi, Yuichi Tanaka

شناسه منبع: arxiv / 2605.14734v1

دسته: eess.IV

چکیده (فارسی)

دوربین‌های نورومورفیک که با نام دوربین‌های مبتنی بر رویداد نیز شناخته می‌شوند، قادرند تغییرات روشنایی محیط را به صورت ناهمزمان و مستقل برای هر پیکسل تشخیص دهند. این دوربین‌ها، تغییرات روشنایی یا همان رویدادها را به صورت داده‌های جریانی سه‌بعدی (مختصات پیکسلی دوبعدی + زمان) خروجی می‌دهند. با وجود اینکه دوربین‌های مبتنی بر رویداد به دلیل ویژگی‌های مطلوبشان مانند وضوح زمانی بالا، تأخیر کم، مصرف انرژی پایین و دامنه دینامیکی بالا در بسیاری از کاربردها مورد استفاده قرار می‌گیرند، اندازه‌گیری‌های آن‌ها به دلیل حساسیت بالا حاوی نویز قابل توجهی است. در این مقاله، ما یک روش حذف نویز برای دوربین‌های مبتنی بر رویداد بر اساس ویژگی‌های طیفی گراف ارائه می‌دهیم. در روش پیشنهادی، ابتدا یک گراف می‌سازیم که در آن گره‌ها نمایانگر رویدادها و یال‌ها نمایانگر فاصله فضازمانی بین رویدادها هستند. برای محاسبه پارامتر مشخصه گراف که اتصالات گراف ساخته شده را کنترل می‌کند، از دانش قبلی در مورد چگالی رویدادهای سه‌بعدی استفاده می‌کنیم. سپس، بردارهای ویژه لاپلاسین گراف را محاسبه می‌کنیم. بردارهای ویژه به دست آمده برای استخراج مستقیم رویدادهای بدون نویز استفاده می‌شوند. در محاسبه بردارهای ویژه، لاپلاسین گراف را سفارشی می‌کنیم تا مقادیر ویژه آن را مجدداً مرتب کنیم. این امر به ما امکان می‌دهد تا به جای تجزیه ویژه ساده، از الگوریتم‌های سریع حل‌کننده ویژه استفاده کرده و در نتیجه پیچیدگی محاسباتی را کاهش دهیم. در آزمایش‌ها بر روی داده‌های رویداد مصنوعی و واقعی، نشان می‌دهیم که روش پیشنهادی در مقایسه با روش‌های جایگزین، به طور مؤثر رویدادهای نویزی را از رویدادهای خام حذف می‌کند.

Abstract (English)

Neuromorphic cameras, also known as event-based cameras, can detect changes in the environmental brightness asynchronously and independently for each pixel. They output the brightness changes, i.e., events, as 3-D (2-D pixel coordinates + time) streaming data. While event-based cameras are used in many applications because of their desirable characteristics, e.g., high temporal resolution, low latency, low power consumption, and high dynamic range, their measurements contain considerable noise due to their high sensitivity. In this paper, we propose a denoising method for event-based cameras based on graph spectral features. In the proposed method, we first construct a graph where nodes represent events and edges represent the spatiotemporal distance between the events. To calculate the graph-specified parameter that controls the connectivities of a constructed graph, we utilize the prior on the density of 3-D events. We then calculate the eigenvectors of the graph Laplacian. The obtained eigenvectors are used to extract noiseless events directly. In the calculation of the eigenvectors, we customize the graph Laplacian to reorder its eigenvalues. This allows us to leverage fast eigensolver algorithms instead of the naive eigendecomposition and thereby reduce computational complexity. In experiments on synthetic and real-world event data, we demonstrate that the proposed method effectively removes noise events from the raw events compared to alternative methods.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله حذف نویز دوربین‌های نورومورفیک مبتنی بر ویژگی‌های طیفی گراف”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا