稀疏 PointPillars：保持并利用输入稀疏性以提升嵌入式系统运行效率
计算机视觉与模式识别
2022-08-02 v3 机器学习
摘要
鸟瞰图（BEV）是一种流行的用于处理三维点云的表示方式，其本质从根本上来说是稀疏的。受移动机器人平台计算能力限制的启发，我们构建了一种快速、高性能的 BEV 三维目标检测器，该检测器保持并利用这种输入稀疏性，以在非稀疏基线方法的基础上降低运行时间，并避免了伪图像面积与运行时间之间的权衡。我们在 KITTI（一个经典的三维检测数据集）以及 Matterport-Chair（一个从真实家具布置场景的 Matterport3D 衍生出的新椅类检测数据集）上展示了结果。我们使用桌面 GPU、嵌入式机器学习加速器和机器人 CPU 评估了运行时间特性，证明我们的方法在嵌入式系统上实现了显著的检测加速（2 倍或更多），且仅带来检测质量上的轻微下降。我们的工作代表了一种新的思路，供从业者在嵌入式系统上优化模型：在整个流程中保持并利用输入稀疏性，以降低运行时间和资源消耗，同时保持检测性能。
引用
@article{arxiv.2106.06882,
title = {Sparse PointPillars: Maintaining and Exploiting Input Sparsity to Improve Runtime on Embedded Systems},
author = {Kyle Vedder and Eric Eaton},
journal= {arXiv preprint arXiv:2106.06882},
year = {2022}
}
备注
7 pages, 5 figures. Submitted to IROS 2022. All models, weights, experimental configurations, and datasets used are publicly available at http://vedder.io/sparse_point_pillars