面向6D物体位姿估计的模块化量化感知训练
计算机视觉与模式识别
2024-11-05 v3 机器学习
机器人学
摘要
边缘应用，如协作机器人与航天器交会，要求在资源受限的嵌入式平台上进行高效的6D物体位姿估计。现有的6D位姿估计网络通常过大而难以此类部署，因而需要在保持可靠性能的同时进行压缩。为应对该挑战，我们提出模块化量化感知训练（MQAT），一种自适应混合精度量化感知训练策略，其利用了现代6D位姿估计架构的模块化结构。MQAT引导系统的分级模块化量化序列并确定模块特定的比特精度，从而产生优于最先进均匀与混合精度量化技术所得模型的量化模型。我们的实验展示了MQAT在数据集、架构与量化算法上的通用性。值得注意的是，MQAT训练的量化模型相较基线全精度网络取得显著精度提升（>7%），同时将模型尺寸缩减4倍或更多。我们的项目网站为：https://saqibjaved1.github.io/MQAT_/
引用
@article{arxiv.2303.06753,
title = {Modular Quantization-Aware Training for 6D Object Pose Estimation},
author = {Saqib Javed and Chengkun Li and Andrew Price and Yinlin Hu and Mathieu Salzmann},
journal= {arXiv preprint arXiv:2303.06753},
year = {2024}
}
备注
Accepted to Transactions on Machine Learning Research (TMLR), 2024