Fugu-MT 論文翻訳(概要): CP$^3$: Channel Pruning Plug-in for Point-based Networks

論文の概要: CP$^3$: Channel Pruning Plug-in for Point-based Networks

arxiv url: http://arxiv.org/abs/2303.13097v1
Date: Thu, 23 Mar 2023 08:25:46 GMT
ステータス: 処理完了
システム内更新日: 2023-03-24 15:13:48.019077
Title: CP$^3$: Channel Pruning Plug-in for Point-based Networks
Title（参考訳）: CP$^3$: ポイントベースネットワークのためのチャネルプルーニングプラグイン
Authors: Yaomin Huang, Ning Liu, Zhengping Che, Zhiyuan Xu, Chaomin Shen, Yaxin Peng, Guixu Zhang, Xinmei Liu, Feifei Feng, Jian Tang
Abstract要約: CP$3$は、ポイントベースのネットワークのためのチャンネルプルーニングプラグインである。次元情報と個々のチャネル特徴の相関を反映する座標強調チャネル重要度尺度を示す。様々なPNNアーキテクチャの実験では、CP$3$は最先端の2D CNNプルーニングアプローチを常に改善している。
参考スコア（独自算出の注目度）: 32.69967858702712
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Channel pruning can effectively reduce both computational cost and memory footprint of the original network while keeping a comparable accuracy performance. Though great success has been achieved in channel pruning for 2D image-based convolutional networks (CNNs), existing works seldom extend the channel pruning methods to 3D point-based neural networks (PNNs). Directly implementing the 2D CNN channel pruning methods to PNNs undermine the performance of PNNs because of the different representations of 2D images and 3D point clouds as well as the network architecture disparity. In this paper, we proposed CP$^3$, which is a Channel Pruning Plug-in for Point-based network. CP$^3$ is elaborately designed to leverage the characteristics of point clouds and PNNs in order to enable 2D channel pruning methods for PNNs. Specifically, it presents a coordinate-enhanced channel importance metric to reflect the correlation between dimensional information and individual channel features, and it recycles the discarded points in PNN's sampling process and reconsiders their potentially-exclusive information to enhance the robustness of channel pruning. Experiments on various PNN architectures show that CP$^3$ constantly improves state-of-the-art 2D CNN pruning approaches on different point cloud tasks. For instance, our compressed PointNeXt-S on ScanObjectNN achieves an accuracy of 88.52% with a pruning rate of 57.8%, outperforming the baseline pruning methods with an accuracy gain of 1.94%.
Abstract（参考訳）: チャネルプルーニングは、元のネットワークの計算コストとメモリフットプリントの両方を効果的に削減し、同等の精度性能を維持する。 2次元画像ベース畳み込みネットワーク(CNN)のチャネルプルーニングでは大きな成功を収めているが、既存の研究はチャネルプルーニング手法を3次元ポイントベースニューラルネットワーク(PNN)に拡張することは滅多にない。 PNNに2D CNNチャネルプルーニングを直接実装することは、2D画像と3Dポイントクラウドの異なる表現とネットワークアーキテクチャの相違により、PNNの性能を損なう。本稿では,ポイントベースネットワークのためのチャネルプルーニングプラグインcp$^3$を提案する。 CP$^3$は、点雲とPNNの特性を活用して、PNNの2Dチャネルプルーニングを可能にするために、精巧に設計されている。具体的には、次元情報と個々のチャネル特徴の相関関係を反映する座標強調チャネル重要度尺度を示し、PNNのサンプリングプロセスで捨てられたポイントをリサイクルし、チャネルプルーニングの堅牢性を高めるために、潜在的に排他的な情報を再考する。様々なPNNアーキテクチャの実験では、CP$^3$は、異なるポイントクラウドタスクにおける最先端の2D CNNプルーニングアプローチを常に改善している。例えば、ScanObjectNN上で圧縮したPointNeXt-Sは、プルーニング率57.8%で88.52%の精度を達成し、ベースラインプルーニング法を1.94%の精度で上回っている。

関連論文リスト

ApproxDARTS: Differentiable Neural Architecture Search with Approximate Multipliers [0.24578723416255746]
本稿では、DARTSと呼ばれる一般的な微分可能なニューラルアーキテクチャ探索手法を応用し、近似乗算器を活用可能なニューラルアーキテクチャ探索(NAS)手法であるApproxDARTSを提案する。 ApproxDARTSは10ドル未満のGPU時間で完全なアーキテクチャ検索を実行でき、畳み込み層に近似乗算器を含む競合畳み込みニューラルネットワーク(CNN)を生成する。
論文参考訳（メタデータ） (2024-04-08T09:54:57Z)
OA-CNNs: Omni-Adaptive Sparse CNNs for 3D Semantic Segmentation [70.17681136234202]
設計上の違いを再検討し、スパースCNNが達成できることの限界をテストする。本稿では,このギャップを埋めるために,適応受容場(親和性)と適応関係という2つの重要な要素を提案する。この調査により、軽量モジュールを統合するネットワークのファミリーであるOmni-Adaptive 3D CNN(OA-CNN)が開発された。
論文参考訳（メタデータ） (2024-03-21T14:06:38Z)
Lightweight Pixel Difference Networks for Efficient Visual Representation Learning [20.345417462198725]
emphPixel Different Convolution (PDC) と Binary PDC (Bi-PDC) という2種類の新しいコンボリューションを提案する。エッジ検出やオブジェクト認識などの視覚的タスクに対して,高効率かつ高精度な表現を学習するために,emphPixel Different Networks (PiDiNet) とemph Binary PiDiNet (Bi-PiDiNet) という2つの軽量ディープネットワークを提案する。
論文参考訳（メタデータ） (2024-02-01T08:39:31Z)
Parameter is Not All You Need: Starting from Non-Parametric Networks for 3D Point Cloud Analysis [51.0695452455959]
本稿では3Dポイントクラウド解析のための非パラメトリックネットワークであるPoint-NNについて述べる。驚くべきことに、さまざまな3Dタスクでうまく機能し、パラメータやトレーニングを必要とせず、既存の完全に訓練されたモデルを超えています。
論文参考訳（メタデータ） (2023-03-14T17:59:02Z)
Recalibration of Neural Networks for Point Cloud Analysis [3.7814216736076434]
3Dポイントクラウドのためのディープニューラルネットワーク上での再校正モジュールを導入する。提案モジュールを3次元ポイントクラウド解析のための3つの最先端ネットワークに組み込むことで,提案モジュールのメリットと汎用性を実証する。第2の実験では,アルツハイマー病の診断における再校正ブロックの利点について検討した。
論文参考訳（メタデータ） (2020-11-25T17:14:34Z)
PBP-Net: Point Projection and Back-Projection Network for 3D Point Cloud Segmentation [24.375383511061955]
本稿では,3次元クラウドセグメンテーションのための簡易かつ効率的なPBP-Netアーキテクチャを提案する。 2次元CNNを用いた効果的な3次元特徴抽出法を示すため,最近の手法との比較を含む様々な実験を行った。
論文参考訳（メタデータ） (2020-11-02T14:14:30Z)
IF-Defense: 3D Adversarial Point Cloud Defense via Implicit Function based Restoration [68.88711148515682]
ディープニューラルネットワークは、様々な3D敵攻撃に対して脆弱である。本稿では,幾何学的制約と分布的制約を伴って入力点の座標を直接最適化するIF-Defenseフレームワークを提案する。この結果から,IF-Defense は PointNet, PointNet++, DGCNN, PointConv, RS-CNN に対する既存の3次元攻撃に対して,最先端の防御性能を達成できることが示唆された。
論文参考訳（メタデータ） (2020-10-11T15:36:40Z)
CAKES: Channel-wise Automatic KErnel Shrinking for Efficient 3D Networks [87.02416370081123]
3次元畳み込みニューラルネットワーク(CNN)は,映像解析やボリューム画像認識などの3次元シーン理解に広く応用されている。本稿では,標準的な3Dコンボリューションを一連の経済活動に縮小させることで,効率的な3D学習を実現するために,チャネルワイドなKErnel Shrinking(CAKES)を提案する。
論文参考訳（メタデータ） (2020-03-28T14:21:12Z)
Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文参考訳（メタデータ） (2020-03-11T08:45:53Z)
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection [76.30585706811993]
我々はPointVoxel-RCNN(PV-RCNN)という新しい高性能な3Dオブジェクト検出フレームワークを提案する。提案手法は3次元ボクセル畳み込みニューラルネットワーク(CNN)とPointNetベースの集合抽象化の両方を深く統合する。 3DボクセルCNNの効率的な学習と高品質な提案と、PointNetベースのネットワークのフレキシブル・レセプティブ・フィールドを利用する。
論文参考訳（メタデータ） (2019-12-31T06:34:10Z)
Pointwise Attention-Based Atrous Convolutional Neural Networks [15.499267533387039]
多数の点を効率的に扱うために,注目度に基づくアトラス畳み込みニューラルネットワークアーキテクチャを提案する。提案モデルは,3次元セマンティックセグメンテーションタスクにおいて,最も重要な2つの3Dポイントクラウドデータセット上で評価されている。精度の面では最先端モデルと比較して妥当な性能を達成し、パラメータの数ははるかに少ない。
論文参考訳（メタデータ） (2019-12-27T13:12:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。