Selective Focus: 探究车道检测训练后量化中的语义敏感性
计算机视觉与模式识别
2024-05-14 v1
摘要
车道检测(LD)在增强自动驾驶的L2+能力方面发挥着关键作用,引起了广泛关注。训练后量化(PTQ)可促进LD模型的实际应用,在无需标注数据的情况下实现高速度和受限内存。然而,现有的PTQ方法未考虑包含物理语义(如偏移量、位置等)的复杂LD输出,因此无法直接应用于LD模型。在本文中,我们首创性地利用一种新颖的车道失真分数探究了车道检测后处理中的语义敏感性。此外,我们确定了量化后影响LD性能的两个主要因素,即头内敏感性与头间敏感性,其中特定语义中微小的量化误差即可导致显著的车道失真。因此,我们提出了一个部署有语义引导聚焦与敏感性感知选择模块的Selective Focus框架,以将后处理信息纳入PTQ重建。基于观察到的头内敏感性,引入语义引导聚焦以利用实用代理优先处理与前景相关的语义。针对头间敏感性,我们提出敏感性感知选择,在运行时高效识别有影响力的预测头并优化目标。我们在包括基于关键点、锚点、曲线和分割的多种模型上进行了广泛实验。我们的方法在单GPU上可在几分钟内生成量化模型,并在CULane数据集上实现6.4%的F1分数提升。
引用
@article{arxiv.2405.06264,
title = {Selective Focus: Investigating Semantics Sensitivity in Post-training Quantization for Lane Detection},
author = {Yunqian Fan and Xiuying Wei and Ruihao Gong and Yuqing Ma and Xiangguo Zhang and Qi Zhang and Xianglong Liu},
journal= {arXiv preprint arXiv:2405.06264},
year = {2024}
}
备注
Accepted by AAAI-24