Ada3D：利用自适应推理挖掘空间冗余以实现高效三维目标检测
计算机视觉与模式识别
2023-08-10 v2
摘要
基于体素的方法在自动驾驶的三维目标检测中已达到 SOTA 性能。然而，其显著的计算与内存开销对部署于资源受限车辆构成挑战。造成高资源消耗的一个原因是 Lidar 点云中存在大量冗余背景点，导致三维体素与稠密 BEV 地图表示中均存在空间冗余。为解决此问题，我们提出名为 Ada3D 的自适应推理框架，专注于挖掘输入级空间冗余。Ada3D 在轻量级重要性预测器及 Lidar 点云独有属性的引导下，自适应过滤冗余输入。此外，我们通过引入稀疏保持批归一化来利用 BEV 特征的内在稀疏性。借助 Ada3D，我们实现了三维体素减少 40%，并将二维 BEV 特征图密度从 100% 降至 20% 且不损精度。Ada3D 将模型计算与内存成本降低 5 倍，并为三维与二维骨干网络分别带来 1.52 倍/1.45 倍的端到端 GPU 延迟优化以及 1.5 倍/4.5 倍的 GPU 峰值内存优化。
引用
@article{arxiv.2307.08209,
title = {Ada3D : Exploiting the Spatial Redundancy with Adaptive Inference for Efficient 3D Object Detection},
author = {Tianchen Zhao and Xuefei Ning and Ke Hong and Zhongyuan Qiu and Pu Lu and Yali Zhao and Linfeng Zhang and Lipu Zhou and Guohao Dai and Huazhong Yang and Yu Wang},
journal= {arXiv preprint arXiv:2307.08209},
year = {2023}
}
备注
Accepted at ICCV2023