T3DNet：压缩点云模型以实现轻量级 3D 识别
计算机视觉与模式识别
2024-03-01 v1
摘要
3D 点云已广泛应用于许多移动应用场景，包括自动驾驶和移动设备上的 3D 传感。然而，现有的 3D 点云模型往往庞大且笨重，由于其高内存需求和非实时延迟，难以部署在边缘设备上。目前缺乏关于如何将 3D 点云模型压缩为轻量级模型的研究。在本文中，我们提出了一种名为 T3DNet（带有增强和蒸馏的微型 3D 网络）的方法来解决这一问题。我们发现，经过网络增强后的微型模型更容易被教师模型进行蒸馏。我们没有通过剪枝或量化等技术逐渐减少参数，而是预定义一个微型模型，并通过来自增强网络和原始模型的辅助监督来提高其性能。我们在多个公共数据集上评估了我们的方法，包括 ModelNet40、ShapeNet 和 ScanObjectNN。我们的方法可以在不显著牺牲精度的情况下实现高压缩率，在三个数据集上针对现有方法取得了 state-of-the-art 的性能。令人惊讶的是，我们的 T3DNet 比原始模型小 58 倍，快 54 倍，而在 ModelNet40 数据集上的精度仅下降 1.4%。
引用
@article{arxiv.2402.19264,
title = {T3DNet: Compressing Point Cloud Models for Lightweight 3D Recognition},
author = {Zhiyuan Yang and Yunjiao Zhou and Lihua Xie and Jianfei Yang},
journal= {arXiv preprint arXiv:2402.19264},
year = {2024}
}
备注
12 pages