本文首发于公众号：【事件相机】，arXiv近期事件相机论文汇总(10.1-10.15)
由于主要的国际会议总结的差不多了，公众号将不定期汇总近期在arXiv上事件相机的相关工作。提供文章的简单介绍，并作简要评价。
Adversarial Attacks on Spiking Convolutional Networks for Event-based Vision
作者：Julian Büchel, Gregor Lenz, Yalun Hu, Sadique Sheik, Martino Sorbaro
链接：https://arxiv.org/abs/2110.02929
备注：ICLR2022在审。作者表示若被接收则公开源码
简介：研究网络攻击，即对原始数据增加一些噪声，使人眼判断结果不变（数据原本含义），却改变某些识别网络的分类判断。本文的研究，可以对事件相机的噪声分析与降噪、识别检测等任务提供一些参考意义。
图中，灰色的点是原始数据，红色的是新增的，蓝色的是删去的。最上面数字这一行，将一些数字“改变”成了其他数字，下面一行通过增加特定的数据，将原本识别为“挥动右手”的数据变成了“右手画圈”。可以看出新增的数据很少，但却改变了网络的识别。可见，如果多了一点点噪声，就会产生严重的错误识别，还是挺可怕的。
评价：⭐⭐⭐⭐。工作很有意义，作者的背景也不错。可以留意等一波开源。
Moving Object Detection for Event-based vision using Graph Spectral Clustering
作者：Anindya Mondal, Shashant R, Jhony H.Giraldo, Thierry Bouwmans, Ananda S. Chowdhury
链接：https://arxiv.org/abs/2109.14979
备注：ICCVW2021接收
简介：ICCVW2021的主题是"When graph signal processing meets computer vision"，本文采用谱聚类的方法对场景中独立运动物体进行聚类。简单的算法如下图所示：首先选取一段儿时间进行采样，采用KNN Graph Construction，之后进行一些图计算的操作例如计算顶点图、连接矩阵、拉普拉斯图等，利用特征值分解判断聚类的结果。
评价：⭐⭐。或许谱聚类是传统聚类算法中不错的思路，但对事件相机是否合适，值得研究。另外从实验上看，只是场景不动物体运动，无法解决相机和物体同时运动的问题。
Event-Based high-speed low-latency fiducial marker tracking
作者：Adam Loch, Germain Haessig, Markus Vincze
链接：https://arxiv.org/abs/2110.05819
简介：跟踪一个二维码并计算其6DoF位姿。主要贡献为：高速跟踪marker的算法（在cpu可达156khz），并提出了一种评价跟踪质量的方法。
上图展示了算法过程：首先用传统图像的检测方法，在event生成的图中检测和定位marker，之后每隔一小段儿时间对marker进行更新并计算位姿。
评价：⭐⭐⭐。作者来自AIT，所以质量应该是可以的。但存在两个问题：一是初始化，需要用到传统图像；二是跟踪过程中并没有用到marker的一些信息，纯黑的方块、或者简单的特征跟踪，应该也可以做到6DoF。不知道用这种marker的意义是什么，只是为了初始化方便么？
Stereo Hybrid Event-Frame (SHEF) Cameras for 3D Perception
作者：Ziwei Wang, Liyuan Pan, Yonhon Ng, Zheyu Zhuang, Robert Mahony
链接：https://arxiv.org/abs/2110.04988
备注：IROS2021接收；数据集已公开
代码：https://github.com/ziweiWWANG/SHEF.git
简介：用一个RGB相机和一个事件相机组成双目，做场景深度估计。事件相机直接积累二值图得到场景的边缘图，普通相机提取局部边缘sobel，之后通匹配代价函数计算每个点的视差，从而得到半稠密深度图。
在这里插入图片描述
评价：⭐⭐⭐⭐。第一次见到这种双目结构，很是新颖。但有一个问题：精度和性能到底能否超过双普通相机，或双事件相机？虽然文中与事件相机重建后做双目做对比表明精度更高。同时，这算法应该考虑如何在普通相机的帧间、或模糊时发挥事件相机的作用，做一些“其他组合形式的双目”无法做到的事情。
欢迎关注微信公众号【事件相机】，分享和交流事件相机的相关研究与应用。
