EventAug：用于事件学习的多方面时空数据增强方法
原文中文，约200字，阅读约需1分钟。发表于：。本研究解决了事件相机数据不足和多样性有限的问题，提出了一个系统的数据增强方案EventAug，以丰富时空多样性。通过多尺度时间集成（MSTI）和空间-显著性事件掩模（SSEM）及时间-显著性事件掩模（TSEM）的引入，显著提高了模型在不同任务上的鲁棒性和准确性。
本文提出了多镜头时间事件定位任务，并收集了大规模数据集MUSES。通过一个简单的基线方法，在MUSES和THUMOS14上分别获得18.9％和56.9％的mAP值。
