基于深度SCNN的自动驾驶车辆激光雷达时序数据实时目标检测
计算机视觉与模式识别
2020-04-30 v4
摘要
对三维（3D）物体的实时准确检测是自动驾驶车辆的基本需求。现有大多数计算机视觉方法基于卷积神经网络（CNN）。尽管基于CNN的方法能达到较高检测精度，但其高能耗是严重缺陷。为解决该问题，应探索新型高能效方法。脉冲神经网络（SNN）因其比CNN低数个量级的能耗而大有可为。遗憾的是，SNN的研究仅局限于小型网络，其在大型3D目标检测网络中的应用基本仍是空白。本文中，我们将带时间编码的脉冲卷积神经网络（SCNN）集成到YOLOv2架构中用于实时目标检测。为利用脉冲信号优势，我们设计了一种新颖的数据预处理层，将3D点云数据转换为脉冲时间数据。我们提出了一种模拟电路来实现SCNN中使用的非泄漏积分发放神经元，并据此估算每次脉冲的能耗。此外，我们给出了计算网络稀疏度与整体网络能耗的方法。基于KITTI数据集进行了大量实验，结果表明所提网络可达到与现有方法相竞争的精度，而平均能耗显著降低。若在专用硬件上实现，我们的网络平均稀疏度可达56.24%，总能耗极低，仅0.247mJ。在NVIDIA GTX 1080i GPU上实现时，我们可达到35.7 fps帧率，足以满足实时目标检测需求。
引用
@article{arxiv.1912.07906,
title = {Deep SCNN-based Real-time Object Detection for Self-driving Vehicles Using LiDAR Temporal Data},
author = {Shibo Zhou and Ying Chen and Xiaohua Li and Arindam Sanyal},
journal= {arXiv preprint arXiv:1912.07906},
year = {2020}
}