ترجمه فارسی مقاله وضوح فوق العاده جریان رویداد با استفاده از شبکه عصبی Sigma-Delta

چکیده

This study introduces a novel approach to enhance the spatial-temporal resolution of time-event pixels based on luminance changes captured by event cameras. These cameras present unique challenges due to their low resolution and the sparse, asynchronous nature of the data they collect. Current event super-resolution algorithms are not fully optimized for the distinct data structure produced by event cameras, resulting in inefficiencies in capturing the full dynamism and detail of visual scenes with improved computational complexity. To bridge this gap, our research proposes a method that integrates binary spikes with Sigma Delta Neural Networks (SDNNs), leveraging spatiotemporal constraint learning mechanism designed to simultaneously learn the spatial and temporal distributions of the event stream. The proposed network is evaluated using widely recognized benchmark datasets, including N-MNIST, CIFAR10-DVS, ASL-DVS, and Event-NFS. A comprehensive evaluation framework is employed, assessing both the accuracy, through root mean square error (RMSE), and the computational efficiency of our model. The findings demonstrate significant improvements over existing state-of-the-art methods, specifically, the proposed method outperforms state-of-the-art performance in computational efficiency, achieving a 17.04-fold improvement in event sparsity and a 32.28-fold increase in synaptic operation efficiency over traditional artificial neural networks, alongside a two-fold better performance over spiking neural networks.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه یک رویکرد جدید برای تقویت وضوح مکانی و زمانی پیکسل های رویداد زمان بر اساس تغییرات درخشندگی ضبط شده توسط دوربین های رویداد ارائه می دهد.این دوربین ها به دلیل وضوح پایین و ماهیت پراکنده و ناهمزمان داده های جمع آوری شده ، چالش های منحصر به فردی دارند.الگوریتم های فوق العاده با وضوح رویداد فعلی برای ساختار داده مجزا تولید شده توسط دوربین های رویداد کاملاً بهینه نشده اند و در نتیجه ناکارآمدی در ضبط پویایی کامل و جزئیات صحنه های بصری با پیچیدگی محاسباتی بهبود یافته است.برای برطرف کردن این شکاف ، تحقیقات ما روشی را ارائه می دهد که سنبله های باینری را با شبکه های عصبی Sigma Delta (SDNNS) ادغام می کند ، و از مکانیسم یادگیری محدودیت مکانی مکانی که برای یادگیری همزمان توزیع های مکانی و زمانی از جریان رویداد طراحی شده است ، استفاده می کند.شبکه پیشنهادی با استفاده از مجموعه داده های معیار به طور گسترده شناخته شده ، از جمله N-MNIST ، CIFAR10-DVS ، ASL-DV و EVEST-NF ارزیابی می شود.یک چارچوب ارزیابی جامع ، با ارزیابی هم ، از طریق خطای میانگین مربع ریشه (RMSE) و راندمان محاسباتی مدل ما ، ارزیابی می شود.این یافته ها پیشرفت های قابل توجهی را نسبت به روشهای پیشرفته موجود نشان می دهد ، به طور خاص ، روش پیشنهادی از عملکرد پیشرفته در کارآیی محاسباتی فراتر می رود ، و به پیشرفت 17.04 برابر در پراکندگی رویداد و افزایش 32.28 برابر درراندمان عملکرد سیناپسی بر روی شبکه های عصبی مصنوعی سنتی ، در کنار عملکرد دو برابر بهتر نسبت به شبکه های عصبی سنبله.