BiPointNet：面向点云的二值神经网络
计算机视觉与模式识别
2021-06-14 v4
摘要
为缓解在边缘设备上运行的实时点云应用的资源限制，本文提出 BiPointNet，这是首个用于点云高效深度学习的模型二值化方法。我们发现，点云二值化模型巨大的性能下降主要源于两个挑战：聚合引起的特征同质化导致信息熵退化，以及尺度失真阻碍优化并使尺度敏感结构失效。通过理论论证与深入分析，我们的 BiPointNet 引入熵最大化聚合（Entropy-Maximizing Aggregation, EMA）以在聚合前调节分布以获得最大信息熵，并引入逐层尺度恢复（Layer-wise Scale Recovery, LSR）以高效恢复特征表示能力。大量实验表明，BiPointNet 以令人信服的幅度优于现有二值化方法，甚至可达到与全精度模型相当的水平。我们强调，我们的技术具有通用性，能在各种基础任务和主流骨干网络上保证显著提升。此外，BiPointNet 在真实资源受限设备上实现了令人印象深刻的 14.7 倍加速与 18.9 倍存储节省。
引用
@article{arxiv.2010.05501,
title = {BiPointNet: Binary Neural Network for Point Clouds},
author = {Haotong Qin and Zhongang Cai and Mingyuan Zhang and Yifu Ding and Haiyu Zhao and Shuai Yi and Xianglong Liu and Hao Su},
journal= {arXiv preprint arXiv:2010.05501},
year = {2021}
}