PointODE：边缘端基于神经常微分方程的轻量级点云学习
机器学习
2025-06-03 v1 硬件体系结构
摘要
嵌入式边缘设备通常被用作运行真实世界点云应用的计算平台，但由于资源有限，近期基于深度学习的方法可能无法在此类设备上运行。在本文中，我们旨在通过引入 PointODE 来填补这一空白，这是一种参数高效的类 ResNet 架构，用于基于带有残差连接的 MLP 块堆栈进行点云特征提取。我们利用神经常微分方程（Neural ODE）——最初为建模连续时间系统动力学而开发的 ResNet 连续深度版本——通过在 MLP 块之间重用相同参数来压缩 PointODE。我们为 PointODE 提出了逐点归一化，以处理特征点的非均匀分布。我们引入了 PointODE-Elite 作为具有 0.58M 可训练参数的轻量级版本，并为其设计了用于嵌入式 FPGA 的专用加速器。该加速器由四级流水线组成，用于并行化多个点的特征提取，并将整个参数存储在片上以消除大部分片外数据传输。与 ARM Cortex-A53 CPU 相比，在 Xilinx ZCU104 板上实现的加速器将特征提取速度提高了 4.9 倍，使推理速度提高 3.7 倍，能效提高 3.5 倍。尽管架构简单，PointODE-Elite 在合成和真实世界分类数据集上均表现出与最先进模型相当的准确率，极大地改善了准确率与推理成本之间的权衡。
引用
@article{arxiv.2506.00438,
title = {PointODE: Lightweight Point Cloud Learning with Neural Ordinary Differential Equations on Edge},
author = {Keisuke Sugiura and Mizuki Yasuda and Hiroki Matsutani},
journal= {arXiv preprint arXiv:2506.00438},
year = {2025}
}