动机 本篇文章旨在将点云语义分割的复杂模型中的知识蒸馏到较轻量级的模型中。具体的实现方式为将原有的3Dbackbone网络的每一层进行裁剪,对每一层只保留原有通道数的一半,通过自监督蒸馏学习的方式,使得裁剪后的小模型依然能够达到原有的模型效果,提升模型的运行速度,更好地满足例如自动驾驶车辆的硬件限制。 贡献 由于点云数据的特殊性和局限性(例如离散性、无序性、密度不均匀),直接将传统的蒸馏方法应用到点云语义分割上很难取得好的效果,所以本文提出了一个新的知识蒸馏方法PVD,该模型在点(point)和体素(voxel)两种数据格式上将teacher中的隐藏知识蒸馏到student模型上 1、同时使用pointwise和voxelwise的输出蒸馏方式来弥补点云稀疏性上的缺陷 2、为了更好地学习数据内的结构信息,提出超体素的概念,将点云数据划分为若干个超体素,利用超体素的空间知识,使模型学习点云的空间信息 3、由于点云数据的不同区域在空间密度上有很大的差异,距离点云中心很远的物体的点数据具有很高的稀疏性,并且点云数据集内部的类别占比也并不均匀,如果在点云内进行均衡采样学习,模型会很难学到这些稀疏表示的物