时域感兴趣区域精确定位与膜电位多核调整的动态视觉传感器数据分类

动态视觉传感器(DVS)因其在获取视觉信息时具有低功耗,低延迟等特性,本质上十分适用于便携式设备上的实时动作识别.在对DVS事件流时域感兴趣区域(ROI)进行定位与分割时,现有方法往往不能根据不同物体运动自适应地设定最佳检测阈值、无法对静态场景中少量背景噪声进行过滤,为此,提出基于LIF神经元模型和脉冲最大值监测单元的运动符号检测(MSD),以实现在多种不同物体运动下事件流时域ROI关键时间点的自适应精确定位;在对分类器进行训练时,对不同的脉冲输入模式,使用不同的核函数调整突触后神经元膜电位,使训练得到的突触权重朝着正确发放的方向改变,提出一种具有抗噪性的脉冲神经网络学习算法MK-Tempotron.实验结果表明,与同类方法相比,本文方法在DVS数据集上的识别精度能获得高达14.61%的提升.