Hyundai и Kookmin University сжали 3D-детектор для автопилота на 75% без потери точности

Специалисты Университета Кукмин и компании Hyundai Motor разработали метод сжатия нейросетей для 3D-детекции объектов в системах автономного вождения. Новый подход получил название SharedKD и объединяет два распространённых способа уменьшения моделей: pruning (отсечение лишних связей) и дистилляцию знаний (перенос опыта от большой модели к компактной).

Особенность SharedKD в том, что полная версия сети выступает динамическим учителем, а её уменьшенная подсеть — учеником. В отличие от классической дистилляции, здесь не нужно поддерживать отдельную сеть-учителя. Градиентно-управляемый механизм позволяет обеим частям модели изменяться одновременно в процессе обучения.

Авторы проверили метод на наборе данных nuScenes, который используется для разработки и тестирования систем автономного вождения. При сокращении 75% структуры исходной модели SharedKD показал результат NDS — комплексной оценки качества 3D-детекции — на 2,55% выше, чем предыдущий лучший показатель.

Как сообщает издание iXBT, исследователи позиционируют SharedKD как решение для ситуаций, когда модели компьютерного зрения должны работать при ограниченных вычислительных ресурсах. По данным университета, метод снижает вычислительную нагрузку и время выполнения, однако в опубликованных материалах нет конкретных измерений этих параметров.

В частности, авторы не привели данных о производительности на автомобильных ускорителях, задержке обработки кадров, пропускной способности, потреблении памяти или электроэнергии. Поэтому представленный результат относится к исследовательскому уровню: он демонстрирует преимущество на бенчмарке, но не подтверждает готовность технологии к установке в серийный автомобиль.

Для практического применения потребуются отдельные испытания на целевом оборудовании с конкретными конфигурациями сенсоров, ограничениями по задержке и наборами данных, используемыми при проверке безопасности систем автономного вождения. Тем не менее, улучшение на 2,55% по NDS при столь значительном сокращении модели — заметный результат, который может стимулировать дальнейшие исследования в области эффективного компьютерного зрения для автомобилей.