一种用于大规模场景中光检测与测距点云感知的高效点网络

《Engineering Applications of Artificial Intelligence》：An Efficient Point Network for Light Detection and Ranging point cloud perception in large-scale scene

针对边缘设备上的点云模型轻量化与高效性挑战，提出EPoNET模型。通过双细化核、局部特征重塑模块及加权损失函数解决特征同质化和类别不平衡问题，实验表明其准确率达91.31%，推理速度提升5.7倍，资源节省58.4%。

　　随着技术的不断进步和广泛应用，激光雷达（LiDAR）技术在多个领域中扮演着越来越重要的角色。特别是在自动驾驶和无人机等离线边缘场景中，深度学习模型的高效部署成为研究的热点。这些场景通常要求模型具备实时交互和快速响应的能力，而传统的深度学习模型往往依赖于强大的计算资源，这在资源受限的边缘设备上带来了显著的挑战。因此，如何在保证模型性能的前提下，实现轻量化和高效化的网络模型，成为当前研究的核心问题之一。

模型量化作为一种有效的模型压缩和加速方法，因其参数轻量化和计算效率高的特点，受到广泛关注。然而，点云数据的非结构化特性给量化带来了独特的挑战。点云数据不像图像那样具有固定的网格结构，而是由离散的点组成，这种结构使得传统图像处理中的量化方法难以直接应用。在点云处理过程中，量化可能导致特征聚合后的同质化现象，以及结构尺度的扭曲，从而影响模型的性能。此外，点云数据的特征表示和空间关系也与图像数据存在本质差异，进一步限制了现有图像处理技术在点云场景中的迁移能力。

为了解决这些问题，本文提出了一种专门针对点云数据的高效量化网络模型——EPoNET（Efficient Point Network）。该模型不仅针对点云数据的非结构化特性进行了优化，还通过引入创新的特征提取架构，有效提升了模型的性能和效率。具体来说，EPoNET采用了双精细化核和局部特征重塑模块，这两个模块能够对量化过程中可能出现的特征同质化和结构尺度扭曲进行修复和扩展，从而保持点云特征的多样性与可区分性。此外，为了应对点云数据集中常见的类别不平衡问题，EPoNET设计了一种加权损失函数，以增强网络训练的有效性，并减少类别不平衡对模型训练造成的干扰。

在实际应用中，EPoNET的高效性体现在其在边缘设备上的推理速度和资源占用上。通过在大规模真实世界多光谱LiDAR点云数据集上的实验验证，EPoNET展现出了卓越的性能。该数据集覆盖了约25平方公里的区域，包含超过850万个不同地物特征的点，如道路、树木和建筑物等。实验结果显示，EPoNET在整体准确率上超过了90%，在测试区域的平均准确率为91.31%。与轻量级基准方法PointNet++相比，EPoNET在推理速度上实现了5.7倍的提升，并将资源使用量降低了58.4%。这一结果表明，EPoNET在保持高精度的同时，显著优化了模型的计算效率和存储需求，为点云数据在边缘设备上的部署提供了可行的解决方案。

在计算机视觉领域，点云数据的处理一直是研究的热点和难点。传统的图像处理方法无法直接应用于点云数据，因为点云的非结构化特性使其在特征表示和空间关系上与图像存在本质差异。PointNet系列模型作为最早能够直接处理原始点云数据的深度学习模型，通过多层感知机（MLPs）进行点级特征提取，并通过池化操作实现全局特征聚合，为点云处理提供了新的思路。然而，PointNet及其后续改进版本在量化过程中仍面临诸多问题，例如全局池化操作可能导致特征多样性下降，以及在二值化过程中出现的可持续性问题。这些问题使得现有的图像处理量化方法难以直接迁移到点云网络中，限制了量化方法在点云场景感知中的应用。

因此，本文在已有研究的基础上，进一步探索了点云数据在大规模场景下的高效处理方法。在多光谱LiDAR点云场景中，尽管输入数据具有丰富的特征信息，但如果没有有效的特征提取网络架构，这些特征可能会变得杂乱无章，甚至降低模型的识别能力。为此，EPoNET不仅引入了双精细化核和局部特征重塑模块，还设计了加权损失函数以应对类别不平衡问题。这些创新设计有效解决了量化过程中出现的特征同质化、结构尺度扭曲和样本不平衡等关键问题，使得模型在保持高精度的同时，能够更好地适应边缘设备的资源限制。

在实验配置方面，本文采用了多光谱LiDAR点云数据集，该数据集包含了三维坐标参数、三个波段的强度信息以及类别标签。在模型训练过程中，采用了初始学习率为0.001、批量大小为16、动量衰减系数为0.95的超参数设置，并使用了设计的加权交叉熵损失函数作为损失函数，同时选择了Adam优化算法进行模型训练。整个训练过程在保证模型性能的同时，显著降低了计算复杂度和存储需求，使得模型能够在资源受限的环境中高效运行。

通过在大规模真实世界数据集上的验证，EPoNET不仅展示了其在点云处理中的优越性能，还为边缘设备上的点云感知提供了一种新的思路。在实际应用中，EPoNET能够有效应对点云数据的非结构化特性，提升模型在边缘设备上的推理速度和资源利用率。这使得EPoNET在自动驾驶、无人机导航等需要实时处理和高效计算的场景中具有广阔的应用前景。此外，EPoNET的成功经验也为未来点云处理技术的发展提供了参考，尤其是在模型量化和高效特征提取方面，具有重要的理论和实践意义。

综上所述，本文提出的EPoNET模型在点云处理领域取得了显著进展。通过引入双精细化核和局部特征重塑模块，有效解决了量化过程中的特征同质化和结构尺度扭曲问题。同时，通过设计加权损失函数，缓解了类别不平衡对模型训练的影响。实验结果表明，EPoNET在保持高精度的同时，实现了显著的推理加速和资源节省，为点云数据在边缘设备上的高效处理提供了可行的解决方案。未来，随着点云数据在更多领域的应用，EPoNET的创新设计和高效性能有望进一步推动相关技术的发展，为实际应用带来更大的价值。