近日，香港理工大學柴揚和華中科技大學何毓輝教授造出一款動態(tài)視覺傳感器，實現了高級別的動態(tài)視覺處理。

本次研究結合了動態(tài)視覺傳感器和傳感器內計算，通過充分利用兩者的優(yōu)點，他們還設計出一款動態(tài)傳感器內計算架構。該架構可以大幅提高運算效率，實現低延時、低功耗的運動識別。

這種直接在傳感器內進行實時處理和決策的方式，有望用于邊緣計算，以及用于那些對延遲高度敏感的場景比如無人駕駛汽車、機器人技術等領域，并能有效節(jié)省通信帶寬，此外還能增強數據的安全性和隱私性。

那么，相比現有的圖像傳感器、或互補金屬氧化物半導體（CMOS，Complementary Metal Oxide Semiconductor），動態(tài)視覺傳感器在捕捉動態(tài)圖像時，在工作原理上有著哪些不同？

據了解，傳統(tǒng)相機所基于的標準圖像傳感器具有固定的幀率，不管像素點的光強是否發(fā)生變化，都會在每一幀記錄下所有像素的光強，因此會包含大量冗余的視覺數據。

另一方面，較長的曝光時間限制了事件捕獲的延遲，導致所捕捉到的高速運動物體圖像存在模糊和過曝等問題。

相比之下，受生物視網膜啟發(fā)的動態(tài)視覺傳感器（DVS，Dynamic Vision Sensor），可以只針對場景中的相對變化區(qū)域作出反應。

對于動態(tài)視覺傳感器來說，只有在像素點的位置發(fā)生光強變化的時候，才會產生脈沖信號從而生成稀疏數據，這樣一來就能大大減少數據的冗余量。

動態(tài)視覺傳感器還具備超高的時間分辨率，能夠確保動作信息被完整記錄下來。因此，它也能被用于檢測場景中的變化，輸出稀疏且重要的信息。

而對于傳感器內的脈沖信號來說，它是否也能被反饋給傳感器神經元，從而做出相應的調整？

對于這一問題，答案是肯定的。為了執(zhí)行復雜的計算任務比如動作識別，像素單元需要被擴展到陣列級別，并通過單元之間合適的物理互連，構建成脈沖神經網絡（SNN，Spiking Neural Network）。

而每個子像素陣列，在連接之后可以輸出神經元。在動態(tài)場景中，當像素點的光照強度發(fā)生變化時，子像素單元也會產生正負電流脈沖，來對 LIF（leaky integrate and fire）神經元中的電容進行充放電。

一旦電容的積分電壓也就是神經元的膜電位，達到神經元的閾值時就會輸出脈沖。

來源：傳感器專家網