基于 Token 的事件时空表示

基于摘要分析。本文研究事件相机数据的时空表示，提出将每个事件作为基本处理单元 event-token，以减少帧或体素转换带来的时间粒度损失，并通过 Event Transformer Block（ETB）中的 Three-way Attention 联合构建事件之间的时间与空间关联。 事件相机能够捕获微秒级亮度变化；常见方法将异步事件转换为帧、体素网格或脉冲后交由深度神经网络处理。作者指出，这些表示可能牺牲时间细节，或依赖专门处理设备。本文的主要方法贡献是保留事件级处理粒度，并在注意力模块中建模时空关系；摘要未披露 token 编码、Three-way Attention 的具体计算方式、序列组织及训练目标。 在物体分类和光流估计任务中，作者报告，与其他常见事件表示相比，该方法具有竞争性表现，并可在标准设备上以较少计算资源运行。摘要未提供数据集、划分、对照配置、评价数值或资源测量口径，因此尚不能核实精度与效率的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是假设以细粒度 token 和时空注意力缓解 EEG 粗时间窗表示对短暂变化的平滑，但原始数据是异步视觉事件，不能直接等同于连续、低信噪比的 EEG。可考虑复用时空关系建模思路，需改造输入编码、时间位置及通道空间关系；事件化过程也可能将噪声转成大量 token，增加计算量，在跨被试、通道变化及小数据条件下失效。一个可证伪的小实验是在同一 EEG 数据集、固定被试内划分与训练预算下，比较事件化 token 和固定时间窗 token 的同一模型骨干，同时测量任务指标、token 数及推理开销。已有相关 EEG 工作尚未检索确认，此处不构成已验证的 BCI 效果。