Quantifying Noise of Dynamic Vision Sensor

1. بيان المشكلة

تكتشف مستشعرات الرؤية الديناميكية (DVS)، أو كاميرات الأحداث، التغيرات في السطوع لكل بكسل بشكل غير متزامن. ويتمثل أحد القيود الحرجة لتقنية DVS في ضجيج "النشاط الخلفي" (Background Activity - BA)، وهي أحداث زائفة ناتجة عن عيوب المستشعر وتختلط مع أحداث الإشارة المفيدة.

• التحدي: يصعب فصل الضجيج عن الإشارة لأن بيانات DVS ديناميكية، وغالبًا ما تفتقر السيناريوهات العملية إلى الحقيقة الأرضية (Ground Truth) (مرجع "نظيف" معروف) لتقييم أداء إزالة الضوضاء.
• القيود الحالية: تعتمد طرق إزالة الضجيج الحديثة (مثل فحوصات الجوار الزمكاني) على افتراض أن أحداث الضجيج معزولة. ومع ذلك، فإن تقييم جودة هذه المرشحات يكون ذاتيًا أو مكلفًا حاسوبيًا. كما أن طرق التقييم الموجودة تتطلب إما بيانات اصطناعية (والتي قد لا تعكس الواقع) أو تعتمد على تصنيف الأحداث، وهو أمر غير عملي بسبب معدلات نقل البيانات العالية.
• الفجوة: هناك نقص في وجود مقياس موضوعي، لا يتطلب معرفة الحقيقة الأرضية، لتكميم الضجيج وتحسين معاملات مرشح إزالة الضجيج.

2. المنهجية

يقترح المؤلفون نهجًا مبتكرًا باستخدام تحليل التقلب منزوع الاتجاه (Detrended Fluctuation Analysis - DFA)، وهو أسلوب إحصائي يُستخدم عادةً للكشف عن الارتباطات طويلة المدى في السلاسل الزمنية، لتوصيف ضجيج DVS.

أ. تقسيم البيانات

تتضمن الطريقة تقسيم تدفق أحداث DVS الخام ($TS_{full}$) إلى مكونين باستخدام مرشح BA قياسي:

1. الإشارة النظيفة ($TS_{clean}$): الأحداث التي تم تحديدها كإشارات مترابطة (إشارة).
2. الضجيج المتبقي ($TS_{noise}$): الأحداث التي تم تحديدها كأحداث غير مترابطة (ضجيج).

ب. تكييف DFA مع DVS

يقوم DFA القياسي بتحليل سلسلة زمنية $x$. بالنسبة لـ DVS، قام المؤلفون بتكييف المتغير العشوائي $x$ ليمثل فترات الوقت بين الأحداث ($\delta t_i = t_i - t_{i-1}$).

• المجموع التراكمي: يتوافق المجموع التراكمي لهذه الفترات تمامًا مع الطوابع الزمنية للأحداث ($X_i = t_i$).
• إزالة الاتجاه (Detrending): يتم تقسيم السلسلة الزمنية إلى مقاطع بطول $n$. يتم ملاءمة اتجاه محلي وطرحه لإزالة الانحيازات المحلية.
• حساب التقلب: يتم حساب جذر متوسط مربع التقلبات $F(n)$ لكل طول مقطع $n$.
• أس القياس ($\alpha$): من خلال رسم $\log F(n)$ مقابل $\log n$، يعطي الميل أس القياس $\alpha$.
  • $\alpha \approx 0.5$: ضجيج عشوائي غير مترابط (مثالي لتدفق الضجيج).
  • $\alpha > 0.5$: ارتباطات طويلة المدى إيجابية (يشير إلى وجود بنية إشارة متبقية أو أنماط غير عشوائية).
  • $\alpha < 0.5$: ارتباط عكسي.

ج. معيار التحسين

الفرضية الأساسية هي أن مرشح إزالة الضجيج الأمثل سينتج تدفق ضجيج متبقي يكون عشوائيًا قدر الإمكان. لذلك، فإن معامل المرشح الأمثل (تحديدًا نافذة الوقت $\Delta T$) هو المعامل الذي يقلل من أس DFA الخاص بالضجيج المتبقي، ويدفعه نحو القيمة 0.5.

3. المساهمات الرئيسية

1. مقياس مبتكر: تقديم DFA كمعيار موضوعي لتقييم أداء إزالة الضجيج في DVS دون الحاجة إلى بيانات الحقيقة الأرضية.
2. تحسين المعاملات: طريقة منهجية لاستخلاص المعاملات المثلى لمرشحات BA (تحديدًا $\Delta T$) من خلال التحليل الإحصائي لعشوائية الضجيج المتبقي.
3. أول تطبيق: هذا هو أول تطبيق معروف لـ DFA في تحليل بيانات الكاميرا القائمة على الأحداث.
4. التحقق من الصحة: إثبات أن المقياس يعمل عبر كل من مجموعات البيانات الشبيهة بالبيانات الاصطناعية والمشاهد الواقعية المعقدة التي تم حقن الضجيج فيها.

4. النتائج

تحقق المؤلفون من صحة الطريقة باستخدام نوعين من مجموعات البيانات:

• مجموعة بيانات بسيطة (سيارة سباق صغيرة - Slot-car):

  • تم تطبيق مرشح BA مع نوافذ زمنية متغيرة ($\Delta T$ من 1,000 إلى 16,000 ميكروثانية).
  • المعاينة البصرية مقابل الإحصائية: بينما أظهرت المعاينة البصرية بقاء آثار الإشارة في الضجيج عند قيم $\Delta T$ منخفضة، فقد قام مقياس DFA بتكميم ذلك.
  • الارتباط: عند $\Delta T = 1000$، كان $\alpha = 0.74$ (ارتباط عالٍ، مما يشير إلى وجود إشارة متبقية). ومع زيادة $\Delta T$ إلى 16,000، انخفض $\alpha$ إلى 0.50، مما يشير إلى أن الضجيج أصبح عشوائيًا حقًا.
  • المقايضة: أشارت الدراسة إلى أنه بينما يحسن تعظيم $\Delta T$ المقياس، فإنه يزيد من التأخير الحسابي ($O(N^2)$ في التنفيذات البدائية). وبالتالي، يساعد DFA في إيجاد "النقطة المثالية" حيث يكون الضجيج عشوائيًا دون تكلفة حسابية مفرطة.

• مجموعة بيانات معقدة (PROPHESSEE مع حقن الضجيج):

  • تم خلط تدفقات الأحداث النظيفة مع نسب متحكم بها من ضجيج BA (5%، 10%، 20%).
  • مع زيادة نسبة الضجيج، تقارب أس DFA للضجيج المتبوي المفلتر باستمرار نحو 0.5.
  • أكد هذا أن المقياس يكتشف بفعالية كبح الضجيج حتى في المشاهد المعقدة التي تحتوي على أجسام متحركة.

5. الأهمية

• الاستقلال عن الحقيقة الأرضية: يحل هذا العمل عقبة رئيسية في أبحاث DVS من خلال توفير طريقة لضبط وتقييم المرشحات في السيناريوهات الواقعية حيث لا تتوفر الحقيقة الأرضية.
• التقنين الموضوعي: ينقل المجال بعيدًا عن المعاينة البصرية الذاتية أو المقاييس الخاصة بالتطبيقات (مثل تباين الأحداث المشوهة) نحو معيار إحصائي عالمي.
• الاتجاهات المستقبلية: يقترح المؤلفون توسيع هذا التحليل ليشمل مرشحات أكثر تقدمًا (مثل $k$-noise و $y$-noise) واستكشاف العلاقة بين أسس DFA وإحصاءات بواسون للفترات الزمنية بين الأحداث.

باختًا، يثبت البحث أن تقليل أس قياس DFA ($\alpha$) لتدفق الضجيج المتبقي هو طريقة قوية وموضوعية لتحسين مرشحات إزالة الضجيج في DVS، مما يضمن أن الضجيج المتبقي عشوائي إحصائيًا وأن الإشارة المفيدة قد تم الحفاظ عليها.