论文：《Event Camera Data Pre-training》
背景
事件相机（Event Camera）是一种新型传感器。不同于传统的RGB相机记录的是场景的像素亮度，输出稠密、低频的图像帧，事件相机记录的是像素亮度的变化，输出稀疏、高频的事件流。与RGB相机相比，事件相机具有高的动态范围和时间分辨率，并且对光照变化和运动模糊具有鲁棒性等优势，在模式识别、同步定位与建图（SLAM）和场景理解等应用领域拥有出色的表现。
事件相机虽然也从基于图像帧的深度学习方法中得到启发，但由于缺少标准的数据集，自身进展仍受到阻碍。在小数据集的领域现状下，自监督学习框架是解决途径之一。然而，目前针对稀疏事件的自监督学习（SSL）范式的研究较少。
虽然在自监督学习中，使用RGB图像进行预训练已经取得了重大进展。然而，在事件相机数据上复制成功并非易事，因为RGB图像和事件数据之间存在域差距。RGB图像记录场景的所有像素强度，并且在空间上是密集的，而事件数据仅记录场景变化，并且是空间稀疏的。
因此，本文研究基于事件相机数据的预训练问题。我们的模型以自监督的方式，只使用成对的事件数据和RGB图像，进行预训练。用户可以将我们预先训练好的模型转移到不同的下游任务中。
主要贡献
1）对于SSL框架中的网络训练，图像增强（例如，高斯模糊、ColorJitter、RandomResizedCrop）是最重要的部分之一。稀疏事件相机数据通常可以表示为事件图像。人们可能会直接错误地对事件图像进行这些增强，例如，模糊二进制事件图像（0/1值像素）会生成无意义的事件图像。相反，我们研究了如何在转换为事件图像之前执行事件数据增强。
2）我们把学习问题表述为对比学习任务。以事件图像作为输入，可以直接执行随机掩蔽策略来对固定数量的事件补丁进行采样，以鼓励模型捕捉空间布局并加速训练。然而，事件图像在空间上是稀疏的，并且随机掩蔽将生成无信息的补丁，导致训练不稳定。为了缓解这个问题，我们提出了一种条件掩蔽策略来对信息补丁进行采样。
3）通过事件补丁，我们能够学习有区别的事件embedding ，即从相似的事件图像中提取embedding ，同时从不同的事件图像中将embedding 推开。令人惊讶的是，我们发现在事件embedding 空间中简单地执行度量学习会导致模型collapse，产生过多的相似embedding 。这是事件图像的空间稀疏性导致的。为了解决这个问题，我们发现来自成对RGB图像的embedding 可以用作regularizer，并且提出了一个embedding projection loss来解决collapse。
4）对于成对的事件数据和RGB图像，我们还旨在将匹配对的embeddings 拉到一起。这是因为有许多经过良好预训练的RGB网络可用，并且事件图像的信息量不如其配对的RGB图像。因此，RGB网络充当了我们事件网络的老师，我们提出了一种probability distribution alignment loss。
我们在标准事件数据集中实现了最先进的性能。
方法
更多细节请参阅论文。
实验结果
我们在 object recognition, optical flow estimation, 和semantic segmentation三个下游任务上评估了我们的预训练模型，并取得了领先的性能。Baseline包括：
i） SOTA：我们将每项任务与最先进的方法进行比较；
ii）Training from scratch：我们使用随机权重初始化来训练最先进的方法；
iii）Transfer learning of supervised pre-training：使用ImageNet-1K数据集以有监督的方式获得最先进方法的初始权重；
iv）Transfer learning of self-supervised pre-training：最先进方法的初始权重是使用ImageNet-1K数据集以自监督的方式获得的。
Object Recognition
首先展示我们的预训练模型在大规模N-ImageNet数据集上的性能。
然后报告我们在三个小规模数据集N-Cars、N-Caltech101和CIFAR-10-DVS上的性能。
Optical Flow Estimation
在MVSEC数据集上展示了我们的光流估计性能。 
Semantic Segmentation
在DDD17和DSEC数据集上展示了我们的分割性能。 
结论
在本文中，我们训练了一个用于事件相机数据的自监督学习框架，包含三个关键组成部分：
- 一系列事件数据增强
- 条件掩蔽策略
- 对比学习方法
我们的key insight是增强匹配事件图像之间以及配对事件和 RGB 图像之间嵌入的相似性，以预训练我们的模型。在下游任务（即对象识别、光流估计和语义分割）上的大量实验证明了我们的方法优于过去的方法。我们的模型有望通过使用RGB图像域的视觉语言方法来驱动事件数据网络，从而扩展到零样本学习。我们希望这篇论文能对今后的工作有所启发。