摘要
类脑事件相机能够通过生成异步且稀疏的事件信号，高效感知场景中潜在的几何结构与运动线索。然而，由于事件信号具有不规则的时空分布特性，如何充分利用其丰富的时空信息以实现准确的识别任务，仍是当前面临的重要挑战。现有方法通常将事件数据视为密集的图像类或点序列表示形式，但这类方法要么严重破坏事件数据的稀疏性，要么难以有效编码鲁棒的空间特征。为充分挖掘事件数据固有的稀疏性，并协调其时空信息，本文提出一种紧凑的事件表示形式——二维-一维时间事件云序列（2D-1T Event Cloud Sequence, 2D-1T ECS）。我们进一步设计了一种轻量级的时空学习框架（ECSNet），可同时支持目标分类与动作识别任务。该框架的核心是一个分层空间关系模块，其通过引入专门设计的基于表面事件的采样单元与局部事件归一化单元，显著增强了事件间的关联建模能力，从而从二维事件云中学习到鲁棒的几何特征。此外，我们提出一种运动注意力模块，以高效捕捉随一维时间序列演化而来的长期时序上下文信息。实验结果表明，所提框架在多个基准数据集上达到了当前最优或接近最优的性能。尤为重要的是，本方法天然契合事件数据的稀疏特性，无需复杂预处理操作，因而具备极低的计算开销与显著的推理速度优势。