CP$^3$:面向基于点的网络的通道剪枝插件
计算机视觉与模式识别
2023-03-24 v1 人工智能
摘要
通道剪枝能够在保持可比精度性能的同时,有效降低原始网络的计算成本和内存占用。尽管在基于2D图像的卷积网络(CNNs)的通道剪枝方面已取得巨大成功,现有工作很少将通道剪枝方法扩展到3D基于点的神经网络(PNNs)。由于2D图像与3D点云的不同表示以及网络架构差异,直接将2D CNN通道剪枝方法用于PNNs会损害PNNs的性能。在本文中,我们提出了CP,即一种面向基于点的网络的通道剪枝插件。CP经过精心设计以利用点云和PNNs的特性,从而使2D通道剪枝方法适用于PNNs。具体而言,它提出了一种坐标增强的通道重要性度量来反映维度信息与各通道特征之间的相关性,并回收PNN采样过程中被丢弃的点,重新考量其潜在独有信息以增强通道剪枝的鲁棒性。在各种PNN架构上的实验表明,CP在不同点云任务上持续优于最先进的2D CNN剪枝方法。例如,我们在ScanObjectNN上压缩后的PointNeXt-S以57.8%的剪枝率达到了88.52%的准确率,相较基线剪枝方法准确率提升1.94%。
引用
@article{arxiv.2303.13097,
title = {CP$^3$: Channel Pruning Plug-in for Point-based Networks},
author = {Yaomin Huang and Ning Liu and Zhengping Che and Zhiyuan Xu and Chaomin Shen and Yaxin Peng and Guixu Zhang and Xinmei Liu and Feifei Feng and Jian Tang},
journal= {arXiv preprint arXiv:2303.13097},
year = {2023}
}
备注
Yaomin Huang and Ning Liu are with equal contributions. This paper has been accepted by CVPR 2023