BDC-Occ：用于二值化占用网络的二值化深度卷积单元
计算机视觉与模式识别
2024-05-28 v1
摘要
现有的 3D 占用网络需要大量硬件资源，限制了边缘设备的部署。二值化神经网络 (BNN) 能显著降低计算和内存需求。然而，其性能与全精度网络相比会显著下降。此外，增加二值化卷积层的数量对提升二值化模型性能具有挑战，限制了其在 3D 占用预测中的实际应用。为弥合这一差距，我们提出一种新型二值化深度卷积 (BDC) 单元，既能提升性能，又能增加二值化卷积层的数量。首先，通过理论分析，我们展示 1×1 二值化卷积引入的二值化误差最小。因此，在 BDC 单元中，额外的二值化卷积层被限制为 1×1。其次，我们引入 per-channel 权重分支，以减轻来自无关通道特征的二值化误差对二值化模型性能的影响，从而在增加二值化卷积层的数量的同时提升性能。进一步，我们将 3D 占用网络分解为四个卷积模块，并利用所提出的 BDC 单元对这些模块进行二值化。通过将所提出的 BDC 单元应用于二值化现有 3D 占用网络，创建我们的 BDC-Occ 模型。综合的定量和定性实验表明，所提出的 BDC-Occ 是当前最先进的二值化 3D 占用网络算法。
引用
@article{arxiv.2405.17037,
title = {BDC-Occ: Binarized Deep Convolution Unit For Binarized Occupancy Network},
author = {Zongkai Zhang and Zidong Xu and Wenming Yang and Qingmin Liao and Jing-Hao Xue},
journal= {arXiv preprint arXiv:2405.17037},
year = {2024}
}
备注
19 pages, 8 figures