基于CNN的事件视频分类中事件子采样的边界拓展

本研究解决了事件摄像头在带宽和计算资源受限情况下，如何有效进行事件子采样以提高分类精度的问题。通过分析不同数据集，发现事件数量可以大幅减少，同时保持较高的准确率，并揭示了高子采样率下CNN模型训练的不稳定性与超参数敏感性。该研究的成果将有助于边缘AI应用中优化数据处理效率与准确性之间的平衡。