Anytime-Lidar: Deadline-aware 3D Object Detection

要約

この作業では、ディープ ニューラル ネットワーク (DNN) ベースの 3D オブジェクト検出パイプラインのいつでも認識を可能にする新しいスケジューリング フレームワークを紹介します。
計算コストの高い領域提案ネットワーク (RPN) と、3D オブジェクト検出パイプラインで一般的なカテゴリごとのマルチヘッド検出器コンポーネントに焦点を当て、それらを期限に対応させます。
コンポーネントのサブセットをインテリジェントに選択して、その場で効果的な時間と精度のトレードオフを行うスケジューリングアルゴリズムを提案します。
以前に検出されたオブジェクトを推定によって現在のシーンに投影することにより、ニューラル ネットワークのサブコンポーネントの一部をスキップすることによる精度の低下を最小限に抑えます。
最先端の 3D オブジェクト検出ネットワークである PointPillars にアプローチを適用し、nuScenes データセットを使用して Jetson Xavier AGX でそのパフォーマンスを評価します。
ベースラインと比較して、私たちのアプローチは、さまざまな期限の制約の下でネットワークの精度を大幅に向上させます。

要約(オリジナル)

In this work, we present a novel scheduling framework enabling anytime perception for deep neural network (DNN) based 3D object detection pipelines. We focus on computationally expensive region proposal network (RPN) and per-category multi-head detector components, which are common in 3D object detection pipelines, and make them deadline-aware. We propose a scheduling algorithm, which intelligently selects the subset of the components to make effective time and accuracy trade-off on the fly. We minimize accuracy loss of skipping some of the neural network sub-components by projecting previously detected objects onto the current scene through estimations. We apply our approach to a state-of-art 3D object detection network, PointPillars, and evaluate its performance on Jetson Xavier AGX using nuScenes dataset. Compared to the baselines, our approach significantly improve the network’s accuracy under various deadline constraints.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google