LiDAR-PTQ: Post-Training Quantization for Point Cloud 3D Object Detection

“LiDAR-PTQ: 后训练量化用于点云三维目标检测”

由于计算能力和内存受到严格限制，将基于3D激光雷达的检测器部署到自动驾驶车辆和机器人上的边缘设备面临着重要挑战。作为一种便利且直接的模型压缩方法，后训练量化（PTQ）已经在2D视觉任务中得到了广泛应用。然而，将其直接应用于3D激光雷达任务不可避免地导致性能下降。为此，我们提出了一种名为LiDAR-PTQ的有效PTQ方法，专门为3D激光雷达检测（包括基于SPConv和不基于SPConv的方法）设计。我们的LiDAR-PTQ包括三个主要组成部分：\textbf{(1)} 一种基于稀疏性的校准方法，用于确定量化参数的初始化，\textbf{(2)} 一种任务引导的全局正向损失（TGPL），用于减小量化前后最终预测之间的差异，\textbf{(3)} 一种自适应的四舍五入操作，以最小化逐层的重构误差。广泛的实验证明，我们的LiDAR-PTQ在应用于CenterPoint（基于柱和基于体素）时可以实现最先进的量化性能。据我们所知，LiDAR-PTQ首次在激光雷达3D检测任务中，PTQ INT8模型的准确性几乎与FP32模型相同，同时获得了推理加速。此外，我们的LiDAR-PTQ是一种更加经济高效的方法，比量化感知训练方法更快。代码将在 \url{https://github.com/StiphyJay/LiDAR-PTQ} 上发布。

图1：基于3D激光雷达的物体检测中点云的稀疏性。橙色区域表示空区域，蓝点表示场景中的点云（非空区域），绿色框表示3D边界框，红点表示前景点。

图2：性能比较

图3：基于RGB和激光雷达的目标检测的数据分布图。橙色和绿色表示整个特征图和前景特征的数据分布。