Module-Wise Network Quantization for 6D Object Pose Estimation

要約

協働ロボティクスや宇宙船ランデブーなどの多くのエッジ アプリケーションは、6D オブジェクトの姿勢推定の恩恵を受けることができますが、組み込みプラットフォームではそうする必要があります。
残念ながら、既存の 6D ポーズ推定ネットワークは、通常、このような状況で展開するには大きすぎるため、信頼性の高いパフォーマンスを維持しながら圧縮する必要があります。
この作業では、そのようなネットワークを量子化することにより、そうするためのアプローチを提示します。
より正確には、モジュール単位の量子化戦略を導入します。これは、均一および混合精度の量子化とは対照的に、典型的な 6D 姿勢推定フレームワークのモジュール構造を説明します。
これらのモジュールを一意に圧縮すると、均一および混合精度の量子化手法よりも優れていることがわかります。
さらに、私たちの実験は、モジュール単位の量子化が大幅な精度向上につながることを証明しています。
最近の ZebraPose を含む、さまざまなデータセット、量子化手法、およびネットワーク アーキテクチャを使用したアプローチの一般性を紹介します。

要約(オリジナル)

Many edge applications, such as collaborative robotics and spacecraft rendezvous, can benefit from 6D object pose estimation, but must do so on embedded platforms. Unfortunately, existing 6D pose estimation networks are typically too large for deployment in such situations and must therefore be compressed, while maintaining reliable performance. In this work, we present an approach to doing so by quantizing such networks. More precisely, we introduce a module-wise quantization strategy that, in contrast to uniform and mixed-precision quantization, accounts for the modular structure of typical 6D pose estimation frameworks. We demonstrate that uniquely compressing these modules outperforms uniform and mixed-precision quantization techniques. Moreover, our experiments evidence that module-wise quantization can lead to a significant accuracy boost. We showcase the generality of our approach using different datasets, quantization methodologies, and network architectures, including the recent ZebraPose.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google