DailyDVS-200: A Comprehensive Benchmark Dataset for Event-Based Action Recognition

神经形态传感器，尤其是事件相机，通过捕捉像素强度变化，具有卓越的动态范围、最小的延迟和能量效率，使其与传统的基于帧的相机区别开来，革命性地改变了视觉数据采集。事件相机的独特能力引发了事件驱动动作识别领域的极大兴趣，认识到它们的巨大潜力。然而，该领域的发展目前受到全面、大规模数据集的缺乏的限制，这些数据集对于开发强大的识别框架至关重要。为了弥补这一差距，我们推出了DailyDVS-200，这是一个为事件驱动动作识别社区量身定制的精心策划的基准数据集。DailyDVS-200覆盖了200个动作类别，涵盖了47位参与者在现实场景中记录的超过22,000个事件序列。该数据集旨在反映广泛的动作类型、场景复杂性和数据采集多样性。数据集中的每个序列都用14个属性进行注释，以确保对记录的动作进行详细的表征。此外，DailyDVS-200的结构旨在促进各种研究路径，为验证现有方法和激发新方法提供了坚实的基础。通过在该领域设定新的基准，我们挑战了神经形态数据处理的当前限制，并邀请了一批新的事件驱动动作识别技术方法的涌现，为未来神经形态计算和其他领域的探索铺平了道路。数据集和源代码可在https://github.com/QiWang233/DailyDVS-200上获得。

解决问题：本论文旨在为事件感知动作识别领域提供一个全面、大规模的数据集，以便开发出更健壮的识别框架。

关键思路：本论文提出了DailyDVS-200数据集，该数据集包括超过22,000个事件序列，涵盖了200个动作类别，每个序列都有14个属性注释，反映了广泛的动作类型、场景复杂度和数据获取多样性。

其他亮点：DailyDVS-200数据集是为事件感知动作识别社区量身定制的，可以用于验证现有方法和启发新的方法。此外，作者还提供了开源代码，以便其他研究人员可以使用。

相关研究：最近的相关研究包括“Event-Based Action Recognition Using Online Gated Spiking Neural Network”和“Event-Based Action Recognition with Hybrid Spatio-Temporal Features”。