面向精度保持的稀疏柱基嵌入式 3D 对象检测的选择性膨胀卷积
计算机视觉与模式识别
2024-08-27 v1
摘要
柱基 3D 对象检测因人工稠化柱子以便 GPU 友好处理而在自主驾驶技术中受到关注，具有速度与准确性优势。然而，稠密柱子处理本质上浪费了计算资源，因其忽略了由散点云数据导出的柱子内在稀疏性。受近期支持稀疏性的嵌入式加速器启发，稀疏柱子卷积方法如子子域卷积（SubM-Conv）通过仅对活跃柱子应用卷积来减少冗余计算，但造成显著精度损失。我们的研究识别到 SubM-Conv 稀疏柱子网络中受限的细粒度空间信息流（fSIF）正是导致精度损失的原因。为克服这一限制，我们提出一种选择性膨胀（SD-Conv）卷积，该方法评估编码柱子的重要性，并对卷积输出进行选择性膨胀，从而扩大关键柱子的感受野，提高对象检测精度。为支持实际加速，我们设计了 SPADE+ 作为现有嵌入式稀疏卷积加速器的成本效益增强方案。该设计支持 SD-Conv，几乎不增加面积和 SRAM 大小需求，在加速与模型精度之间实现卓越的权衡。这种战略性提升使我们能够实现极端柱子稀疏性，实现高达 18.1 倍的计算节省和 16.2 倍的加速，同时不损害对象检测精度。
引用
@article{arxiv.2408.13798,
title = {Selectively Dilated Convolution for Accuracy-Preserving Sparse Pillar-based Embedded 3D Object Detection},
author = {Seongmin Park and Minjae Lee and Junwon Choi and Jungwook Choi},
journal= {arXiv preprint arXiv:2408.13798},
year = {2024}
}
备注
CVPR Workshop 2024 (The 7th Workshop on Efficient Deep Learning for Computer Vision)