基于体素的3D目标检测方法在实时嵌入式系统上的效率分析
计算机视觉与模式识别
2021-05-24 v1
摘要
在3D场景中对目标进行实时检测是自主智能体理解其周围环境所需执行的任务之一。尽管近期基于深度学习的方法取得了令人满意的性能，但其高昂的计算成本使得在需于嵌入式平台上进行运算的实际场景中难以应用。本文从两个方面分析了两种流行的基于体素的3D目标检测方法的效率，这两种方法在高性能与速度间取得了良好折衷：其检测距智能体较远处目标的能力，以及在配备高性能GPU的嵌入式平台上实时运行的能力。我们的实验表明，由于远处输入点云稀疏，这些方法大多无法检测远处小目标。此外，在近处目标上训练的模型相较于在场景中全部目标上训练的模型取得了相似或更好的性能。这意味着模型主要从近处目标学习物体外观表示。我们的发现表明，现有方法相当部分的计算集中于场景中无助于成功检测的位置。这意味着这些方法可通过将运算限制在近处目标实现40%–60%的加速，同时性能损失不大。
引用
@article{arxiv.2105.10316,
title = {Analysis of voxel-based 3D object detection methods efficiency for real-time embedded systems},
author = {Illia Oleksiienko and Alexandros Iosifidis},
journal= {arXiv preprint arXiv:2105.10316},
year = {2021}
}
备注
6 pages, 4 figures. Accepted in IEEE ICETCI 2021