2021-04-09 20:09:02
Paper: IEEE TNNLS
Code: https://github.com/jianing-li/asynchronous-spatio-temporal-spike-metric
1. Background and Motivation:
本文提出一种距离度量方法可以用于衡量异步脉冲信号之间的距离，该距离度量方法应用价值巨大，如神经形态工程，脉冲编码，以及机器视觉等。如下图所示：
由于这是一种新的数据形式，而常规的距离度量方法不是很适合。因此，需要将其转化为 image-like data，才能进行距离度量。常见的方法有 image planes，以及 time surface，但是这种方法都丢失了脉冲信息的时空属性。虽然有一些工作已经进行了两个 spike train 之间相似性的度量，但是他们一般采用的方法是：将单个神经元脉冲序列看做是操作单元，并且利用希尔伯特空间中几个 positive-define kernels 进行度量。脉冲度量需要结合时空结构，以及 MSTPPS 中的极性属性，以更好的进行异步脉冲的距离度量。
为了达到上述目的，本文提出一种方法，称为 ASTSM（a general asynchronous spatiotemporal spike metric），同时考虑到时空结构化信息，以及极性属性。从技术的角度上来说，作者首先提出了条件概率密度函数来描述时空分布以及极性属性。，然后，一个 3D 高斯核被引入来描述时空结构，其将离散的脉冲信号转换为了条件强度函数 (Conditional Intensity Function)。最终，异步脉冲的距离可以利用 RKHS中的內积进行度量。
总体来说，该文章的贡献可以总结为：
1). 对于从 event camera 上得到的真实数据，同时考虑到时空结构属性以及极性属性，提出了 ASTSM。
2). 构建了条件概率密度函数，来表述 MSTPPs 中的极性先验。特别的，一个 3D 核函数，涉及到时空结构，被提出用于将离散的脉冲流映射为 CIF，并且进一步的构建了一个优化的核参数模型，来增加灵活性，并得到了更好的效果。
3). 提供了一个脉冲度量数据集，包含仿真数据以及现有数据集的增广。作者相信这个数据集为这个挑战性的问题，提供了一个良好的基础和条件。
2.
==
Asynchronous Spatiotemporal Spike Metric for Event Cameras
原文：https://www.cnblogs.com/wangxiaocvpr/p/14638742.html