二值化稀疏卷积网络用于高效点云分析
计算机视觉与模式识别
2023-03-29 v1
摘要
本文提出称为BSC-Net的二值化稀疏卷积网络，用于高效点云分析。我们通过经验观察到，稀疏卷积操作比标准卷积引起更大的量化误差。然而，常规网络量化方法直接对稀疏卷积中的权重与激活进行二值化，因显著的量化损失导致性能下降。相反，我们搜索在不同位置激活稀疏卷积的卷积操作最优子集以缓解量化误差，并在无复杂度开销下缩小了实值与二值化稀疏卷积网络间的性能差距。具体而言，我们首先提出偏移稀疏卷积，其为匹配预定义位置的活跃点融合感受野中的信息。随后采用可微搜索策略发现偏移稀疏卷积中活跃点匹配的最优位置，量化误差被显著缓解，从而实现高效点云分析。为公平评估所提方法，我们经验性地选取近期有益于稀疏卷积网络二值化的进展以构建强基线。在ScanNet与NYU Depth v2上的实验结果表明，我们的BSC-Net相较强基线取得显著提升，并以可观优势优于最先进的网络二值化方法，且二值化稀疏卷积网络无需额外计算开销。
引用
@article{arxiv.2303.15493,
title = {Binarizing Sparse Convolutional Networks for Efficient Point Cloud Analysis},
author = {Xiuwei Xu and Ziwei Wang and Jie Zhou and Jiwen Lu},
journal= {arXiv preprint arXiv:2303.15493},
year = {2023}
}
备注
Accepted to CVPR2023