摘要
事件相机（Event Camera）是一种新型类脑传感器，近年来受到越来越多的关注。现有的基于事件的主干网络主要依赖于基于图像的设计，通过将事件转换为图像来提取空间信息，却忽视了事件本身所具有的时间与极性等关键属性。为解决这一问题，本文提出一种面向事件视觉的新型分组视觉Transformer主干网络——分组事件Transformer（Group Event Transformer, GET），该方法在特征提取过程中将时间-极性信息与空间信息解耦。具体而言，我们首先提出一种新的事件表示方式——分组令牌（Group Token），该方式根据事件的时间戳和极性对异步事件进行分组。随后，GET采用事件双自注意力模块（Event Dual Self-Attention block）与分组令牌聚合模块（Group Token Aggregation module），以实现空间域以及时间-极性域中的高效特征交互与融合。在此基础上，GET可通过连接不同任务头，灵活适配多种下游任务。我们在四个基于事件的分类数据集（Cifar10-DVS、N-MNIST、N-CARS 和 DVS128Gesture）以及两个基于事件的目标检测数据集（1Mpx 和 Gen1）上对所提方法进行了评估，实验结果表明，GET在各项任务中均优于现有最先进方法。代码已开源，地址为：https://github.com/Peterande/GET-Group-Event-Transformer。