用于极稀疏飞行时间深度图深度补全的低内存占用量化神经网络
计算机视觉与模式识别
2022-05-26 v1
摘要
稀疏主动照明能够实现精确的飞行时间(ToF)深度感知，因为它在低功耗预算下最大化了信噪比。然而，为了生成稠密深度图以用于三维感知，需要进行深度补全。我们在具有挑战性的稀疏度水平下，通过模拟室内三维感知的ToF数据集，并结合真实的照明与传感器分辨率约束来解决该任务。我们提出了一种用于此任务的量化卷积编解码网络。我们的模型通过输入预处理以及采用几何保持损失函数精心调参的训练，实现了最优的深度图质量。我们还借助混合精度训练时量化技术，实现了权重与激活值的低内存占用。所得量化模型在质量上可与最先进水平(state of the art)相媲美，但所需GPU时间极少，且相较于浮点版本权重内存大小最高缩减14倍，对质量指标影响极小。
引用
@article{arxiv.2205.12918,
title = {A Low Memory Footprint Quantized Neural Network for Depth Completion of Very Sparse Time-of-Flight Depth Maps},
author = {Xiaowen Jiang and Valerio Cambareri and Gianluca Agresti and Cynthia Ifeyinwa Ugwu and Adriano Simonetto and Fabien Cardinaux and Pietro Zanuttigh},
journal= {arXiv preprint arXiv:2205.12918},
year = {2022}
}
备注
In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops 2022. Presented at the 5th Efficient Deep Learning for Computer Vision Workshop