用于高效三维目标检测的空间剪枝稀疏卷积
计算机视觉与模式识别
2022-09-29 v1
摘要
三维场景由大量背景点主导，这些背景点对于主要需要关注前景物体的检测任务而言是冗余的。本文分析了现有稀疏三维CNN的主要组成部分，发现三维CNN忽略了数据的冗余性，并在下采样过程中进一步放大了这种冗余，从而带来了大量额外且不必要的计算开销。受此启发，我们提出了一种名为空间剪枝稀疏卷积（SPS-Conv）的新卷积算子，它包含两个变体：空间剪枝子流形稀疏卷积（SPSS-Conv）和空间剪枝规则稀疏卷积（SPRS-Conv），二者均基于动态确定关键区域以减少冗余的思想。我们验证了幅值可作为确定关键区域的重要线索，从而免除了基于学习方法所需的额外计算。所提出的模块无需额外的架构修改即可轻松集成到现有稀疏三维CNN中。在KITTI、Waymo和nuScenes数据集上的大量实验表明，我们的方法能够在不损害性能的前提下实现GFLOPs降低50%以上。
引用
@article{arxiv.2209.14201,
title = {Spatial Pruned Sparse Convolution for Efficient 3D Object Detection},
author = {Jianhui Liu and Yukang Chen and Xiaoqing Ye and Zhuotao Tian and Xiao Tan and Xiaojuan Qi},
journal= {arXiv preprint arXiv:2209.14201},
year = {2022}
}
备注
Accepted by NeurIPS 2022