CN119495009A 基于图模型的异步事件流处理方法、装置及存储介质 （清华大学）

环境光强变化值进行采样，输出得到异步事件积网络模型用于指示根据连通量指标设置异步2通过事件相机对环境光强变化值进行采样，输出得到异步事件流，所述异步通过图卷积网络模型对所述异步事件流进行特征学习，输出得到特当所述图中的两个节点之间的距离小于预设距离时，将所述两个节点采用边进行连5.根据权利要求1至4任一所述的方法，根据所述连通量指标设置所述图卷积网络模型的每个池化层的所述异步事件流用于指示异步采样的多个像素各自对应第二输出模块，用于通过图卷积网络模型对所述异步事件流进行特通过事件相机对环境光强变化值进行采样，输出得到异步事件流，所述异步通过图卷积网络模型对所述异步事件流进行特征学习，输出得到特3述计算机程序指令被处理器执行时实现权利要求1至7中任意一4[0007]通过图卷积网络(GraphConvolutionalNetworks，GCN)模型对所述异步事件流权欧几里德距离，所述预设距离为所述节点与距离所述节点最远的邻居节点之间的距离，所述邻居节点为以所述节点为圆心的目标半径的圆形邻域内的5权欧几里德距离，所述预设距离为所述节点与距离所述节点最远的邻居节点之间的距离，所述邻居节点为以所述节点为圆心的目标半径的圆形邻域内的6[0038]本公开实施例通过事件相机对环境光强变化值进行采样[0039]包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的[0041]图2示出了本公开一个示例性实施例提供的基于图模型的异步事件流处理方法的[0045]图6示出了本公开一个示例性实施例提供的基于图模型的异步事件流处理装置的所说明的任何实施例不必解释为优于或好于其它实经网络(ConvolutionalNeuralNetwork，CNN)方法和脉冲神经网络(SpikingNeural7于NVS器件的空间分辨率较低，事件图像的纹理较为模糊，大大降低了视觉信息处理的性[0051]脉冲神经网络与NVS相机都是事件编码，二者对于数据的处理方式具有天然的适差反向传播的优化算法和学习规则，这使得基于SNN的方法训练起来相当复杂，就精度而而提高了采用图卷积网络模型对异步事件流进8至少一个功能所需的应用程序等；存储数据区可存储根据计算设备的使用所创建的数据器(ErasableProgrammableReadOnlyMemory，EPROM)，可编程只读存储器根据连通量指标设置所述异步事件流生成图的参数，所述连通量指标指示所述图的连通[0062]请参考图2，其示出了本公开一个示例性实施例提供的基于图模型的异步事件流事件流用于指示异步采样的多个像素各自对应极性指示像素对应的光强增大或光强减少。产生的每个事件可以用一个四元组(x[0066]可选的，计算设备通过NVS相机对环境光强变化值进行采样，输出得到四元组序ii9[0073]示意性的，NVS输出的一组异步事件流用一个四元组序列表示：{ei}N，其中ei=ii104，因为NVS相机中的定时精度明显高于空间网格分辨率(时间精度10e_6，空间精度子中，在两个神经形态数据集(比如N_Cars数据集和NCal[0079]计算设备根据连通量指标设置图卷积网络模型的深度。以CNN中多个小尺度卷积中的VGG网络使用两个3×3的卷积核代替一个5×5的卷积核，或者三个3×3卷积核代替一算设备可以根据连通量基于经验数据和拟合曲线设置池[0084]综上所述，本公开实施例通过连通量指标来指导将异步事件流生成图的参数设[0086]请参考图6，其示出了本公开一个示例性实施例提供的基于图模型的异步事件流[0105]计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形[0106]这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中指令实现流程图和/或框图中的一