面向资源受限环境的基于 SA-MLP 的低功耗无乘法 3D 点云分类深度网络
计算机视觉与模式识别
2025-01-16 v2
摘要
点云分类在处理来自如激光雷达等 3D 传感器的数据方面发挥着关键作用，这些传感器常用于自动驾驶、机器人和环境监测等应用。然而，传统神经网络高度依赖乘法运算，往往面临高计算成本和能源消耗的挑战。本研究提出一种新型高效 MLP 架构体系，旨在提高资源受限传感器系统中点云分类任务的计算效率。基线模型 Mul-MLP 采用常规乘法运算，而 Add-MLP 和 Shift-MLP 分别用加法和移位运算取代乘法运算。这些替换利用更适用于传感器的运算，显著降低计算开销，特别适用于资源受限的传感器平台。为进一步提升性能，我们提出了 SA-MLP 一种混合架构，通过交替使用移位和加法层，在保持网络深度的同时优化计算效率。与之前的方法（如 ShiftAddNet）不同，后者增加层数并通过冻结移位权重来限制表示能力，而 SA-MLP 完全利用移位层和加法层的互补优势，通过采用不同的学习率和优化器实现了更好的性能。实验结果表明，Add-MLP 和 Shift-MLP 在性能上与 Mul-MLP 相当，而 SA-MLP 超越了基线模型，在分类准确率和计算效率方面均与最先进的 MLP 模型相当。本工作为需要实时点云分类的传感器驱动应用提供了一条具有竞争力的能源高效解决方案，尤其适用于计算资源有限的环境。
引用
@article{arxiv.2409.01998,
title = {SA-MLP: A Low-Power Multiplication-Free Deep Network for 3D Point Cloud Classification in Resource-Constrained Environments},
author = {Qiang Zheng and Chao Zhang and Jian Sun},
journal= {arXiv preprint arXiv:2409.01998},
year = {2025}
}