Jul, 2024
DM3D：失真最小化的权重修剪用于无损3D目标检测
DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object
Detection
TL;DR应用于3D点云处理的深度神经网络在AR/VR、自动驾驶和机器人等领域中表现出了先进的性能；然而，随着神经网络模型和3D点云的扩大，减少计算和存储开销以满足现实应用的延迟和能耗约束成为一个关键挑战。本文提出了一种针对3D目标检测的新型后训练权重剪枝方案，该方案与现有的3D点云稀疏化方法正交，确定了导致局部性和可信度（检测失真）最小的预训练模型中的冗余参数，并提供了一个与任意3D检测模型兼容的通用剪枝框架，旨在通过基于失真的二阶泰勒近似来识别逐层稀疏性，最大程度地保持检测精度。在KITTI、Nuscenes和ONCE数据集上进行的大量实验证明了我们的方法在减少计算量（FLOPs）的同时能够保持甚至提升剪枝模型的检测精度，值得注意的是，我们在CenterPoint和PVRCNN模型上实现了超出3.89倍和3.72倍的FLOPs减少，而不降低mAP，显著提高了最新技术水平。