●第1章 計算機視覺簡介
1.1 計算機視覺的概念
1.2 計算機視覺的應用
1.2.1 圖像分類
1.2.2 目標檢測
1.2.3 圖像分割
1.2.4 目標跟蹤
1.2.5 其他應用
1.3 思考與練習
第2章 事件相機的原理
2.1 數學基礎知識
2.1.1 導數
2.1.2 積分
2.1.3模型
2.1.4 多層感知機與全連接層
2.1.5 損失函數
2.1.6 神經網絡的優化
2.2 事件相機的概念及原理
2.3 常用的事件相機
2.3.1 DVS相機
2.3.2 ATIS相機
2.3.3 DAVIS
2.3.4 商業事件相機
2.4 思考與練習
第3章 事件信息的編碼
3.1 點雲式編碼
3.2 CountImage編碼
3.3 張量式編碼
3.4 局部CountImage編碼
3.5 TimeImage編碼
3.6 LeakySurface編碼
3.7 思考與練習
第4章 事件的普通卷積
4.1 2D卷積的基本原理
4.2 卷積神經網絡的組成
4.2.1 卷積層
4.2.2 池化層
4.2.3 全連接層
4.2.4 全局優選/平均池化
4.3 事件2D卷積的適用範圍
4.3.1 編碼要求
4.3.2 直接事件卷積存在的問題
4.4 思考與練習
第5章 事件的稀疏卷積
5.1 稀疏卷積的基本原理
5.1.1 SC層的定義
5.1.2 VSC層的定義
5.2 稀疏池化與全連接層
5.2.1 稀疏池化層
5.2.2 稀疏全連接層
5.3 稀疏卷積的特征
5.3.1 編碼要求
5.3.2 流形擬合特性
5.3.3 稀疏卷積的缺點
5.4 思考與練習
第6章 事件的圖卷積
6.1 圖卷積的基本原理
6.1.1 事件的采樣
6.1.2 圖的概念及事件圖的構建
6.1.3 圖卷積的定義
6.1.4 圖池化及圖全連接層的定義
6.2 圖卷積的特性
6.2.1 編碼要求
6.2.2 圖的普適性
6.2.3 方向可變性
6.3 思考與練習
第7章 事件的3D卷積
7.1 3D卷積的原理
7.1.1 卷積層的擴展
7.1.2 池化層的擴展
7.2 事件輸入與3D卷積的特點
7.2.1 事件輸入的編碼要求
7.2.2 直接3D卷積的現存問題
7.2.3 3D卷積的可分解性
7.3 4D卷積簡介
7.4 思考與練習
第8章 基於LSTM的事件處理
8.1 LSTM的基本原理
8.1.1 LSTM細胞的定義
8.1.2 LSTM的運算更新
8.2 LSTM的變體及事件處理
8.2.1 ConvLSTM
8.2.2 PhasedLSTM
8.3 思考與練習
第9章 基於脈衝神經網絡的事件處理
9.1 普的局限
9.2 脈衝神經網絡的概念
9.2.1 脈模型
9.2.2 脈衝全連接層
9.2.3 脈衝卷積層
9.2.4 脈衝池化層
9.3 脈衝神經網絡的學習
9.4 脈衝神經網絡的特點
9.4.1 編碼要求
9.4.2 脈衝神經網絡的局限
9.5 思考與練習
第10章 基於生成對抗網絡的事件處理
10.1 生成對抗網絡的基本原理
10.1.1 普通GAN的對弈原理
10.1.2 cGAN的對弈原理
10.1.3 Cycle-GAN的對弈原理
10.1.4 Info-GAN的對弈原理
10.2 事件圖像的生成
10.3 思考與練習
參考文獻
