一.本文贡献
1.我们提出了一种称为时间二进制表示的事件数据的紧凑表示，利用二进制事件序列到编码空间和时间信息的帧的转换
2.我们的公式允许调整信息丢失和内存占用，使其适合实时应用
3.我们收集了流行的DVS128手势数据集在挑战性条件下的扩展
二.事件的表示
本文提出了一种新的事件的表示方式，与时间表面的思路相似，TBR也是通过累计事件将异步的事件转换为同步事件进行处理的，不同于时间表面是将时间戳进行累计，本文采用了一种二进制的表示方式
?简单解释就是给定一个固定的?t，检查在这个?t中每个像素是否有事件发生，如果有，则在这个像素上返回值为1，反之则返回0，这样就可以得到如上图所示的一张二进制表示的“时间表面”，将8个?t的表面累加起来得到八位的二进制数字，每个像素的二进制再转化为十进制，最后就能够得到类似于灰度图的结果，这样就能够送进传统的网络结构中。
三.Model
采用了两种不同的体系结构，一种是：
我们将卷积神经网络与递归神经网络相结合来提取空间特征，并对帧序列进行处理。作为一个特征提取器，我们训练了一个AlexNet，用一个带有512个神经元的单层替换最终完全连接的层。序列中每个帧的输出直接馈送到长短时存储器（LSTM），该存储器具有两层，每个层的隐藏尺寸为256。最后，使用softmax激活的完全连接层执行分类
另一种是：
我们采用的第二个模型是Inception 3D模型，这是一种最先进的架构，广泛采用RGB数据进行动作识别。基于Inception-V1，该模型依赖于膨胀的3D卷积，通过向过滤器中添加第三维，并汇集内核来学习时空特征提取器。该模型最初有两个单独的RGB和光流数据流。在这里，我们只需删除一个分支，并使用TBR聚合的事件摄影机数据重新训练模型
四.实验
?
?可以看出累积时间?t低于阈值后并不会带来效果的提升
?
?五.总结
本文的思路较为简单，采用二进制的表示方式根本原因是考虑到了事件的异步性，各个时间戳发生的事件会对聚合成帧的事件产生影响，感觉效果类似于LSTM，感觉也是属于累计时间窗的一种事件表示方式。
六.个人想法
因为我还没有看代码，原文中是一个像素点如果有事件发生记为1，没有事件发生记为0 ，没有考虑到正负极性的事件，这里感觉可以使用三进制替换二进制，因为事件的极性有-1,0,1，如果考虑到事件的不同极性也许效果会更好