Компьютерная наука > Компютерное видение и распознавание шаблона [представлено 17 сентября 2026 года] Название: PointEvent: Переосмысление крошечного объекта на основе события с помощью Serialized Accumulation View PDF HTML (экспериментальное) резюме: камеры Event обеспечивают высокую чувствительность во времени и движении для небольшого обнаружения беспилотных летательных аппаратов, но при этом отдаленные цели порождают малочисленные и фрагментированные явления, которые легко перегружены разломом и эго-мотивацией. Существующие методы в основном основаны на плотных изображениях событий или локальных малочастотных шпиовременных моделях, что приводит к ненужным расчетам или фрагментарному моделированию бесперебойного движения между отдаленными асинхронными явлениями. Для устранения этого ограничения мы введем серийное накопление доказательств движения, которое рассматривает непрерывность движения как процесс распространения данных. В частности, один и тот же поток событий состоит из хронологических временных путей с сохранением местности через латентные дополнительные серии. Исходя из этого принципа, мы предлагаем PointEvent - легкую систему состояний и пространства в зависимости от обстоятельств, которая чередует серийные сканирование по всем дополнительным приказам, постепенно накапливая фрагментированные доказательства движения за пределами стационарных местных районов. Ветвь событий с высоким разрешением сохраняет тонкие целевые реакции, в то время как компактный контекст…
pointEvent: Переосмысление на основе события обнаружения крошечных объектов с помощью генерации серийных доказательств движения
arXiv:2609.20066v1 Annuaire Type: New Humber Brieflook: камеры событий обеспечивают высокую временную разрешающую способность и чувствительность движения для крошечного обнаружения беспилотных летательных аппаратов, однако отдаленные цели порождают редкие и фрагментированные события, которые легко переполняются хаосом и эго-мотивацией. Существующие методы в основном основаны на плотных изображениях событий или локальных малочастотных шпиовременных моделях, что приводит к ненужным расчетам или фрагментарному моделированию бесперебойного движения между отдаленными асинхронными явлениями. Для устранения этого ограничения мы введем серийное накопление доказательств движения, которое рассматривает непрерывность движения как процесс распространения данных. В частности, один и тот же поток событий состоит из хронологических временных путей с сохранением местности через латентные дополнительные серии. Исходя из этого принципа, мы предлагаем PointEvent - легкую систему состояний и пространства в зависимости от событий, которая чередует серийные сканирование по всем дополнительным заказам, постепенно укрепляя