ترجمه فارسی مقاله VALO: یک چارچوب همه کاره در هر زمان برای شبکه های عصبی عمیق تشخیص اشیا مبتنی بر LiDAR

چکیده

This work addresses the challenge of adapting dynamic deadline requirements for LiDAR object detection deep neural networks (DNNs). The computing latency of object detection is critically important to ensure safe and efficient navigation. However, state-of-the-art LiDAR object detection DNNs often exhibit significant latency, hindering their real-time performance on resource-constrained edge platforms. Therefore, a tradeoff between detection accuracy and latency should be dynamically managed at runtime to achieve optimum results. In this paper, we introduce VALO (Versatile Anytime algorithm for LiDAR Object detection), a novel data-centric approach that enables anytime computing of 3D LiDAR object detection DNNs. VALO employs a deadline-aware scheduler to selectively process input regions, making execution time and accuracy tradeoffs without architectural modifications. Additionally, it leverages efficient forecasting of past detection results to mitigate possible loss of accuracy due to partial processing of input. Finally, it utilizes a novel input reduction technique within its detection heads to significantly accelerate execution without sacrificing accuracy. We implement VALO on state-of-the-art 3D LiDAR object detection networks, namely CenterPoint and VoxelNext, and demonstrate its dynamic adaptability to a wide range of time constraints while achieving higher accuracy than the prior state-of-the-art. Code is available athttps://github.com/CSL-KU/VALO}{github.com/CSL-KU/VALO.

چکیده به فارسی (ترجمه ماشینی)

این کار به چالش سازگاری الزامات مهلت پویا برای تشخیص شیء شیء LIDAR (DNNS) می پردازد.تأخیر محاسبات تشخیص شیء برای اطمینان از ناوبری ایمن و کارآمد از اهمیت ویژه ای برخوردار است.با این حال ، DNN های تشخیصی شیء LIDAR بسیار مهم ، تأخیر قابل توجهی را نشان می دهند و مانع عملکرد زمان واقعی آنها در سیستم عامل های لبه محدود شده منابع می شوند.بنابراین ، مبادله ای بین دقت تشخیص و تأخیر باید در زمان اجرا به صورت پویا مدیریت شود تا به نتایج مطلوب برسد.در این مقاله ، ما VALO (الگوریتم همه کاره در هر زمان برای تشخیص شیء Lidar) را معرفی می کنیم ، یک رویکرد جدید داده محور که محاسبه هر زمان از DNN های تشخیص شیء 3D را امکان پذیر می کند.Valo از یک برنامه ریز آگاهانه مهلت برای پردازش انتخابی مناطق ورودی استفاده می کند ، و باعث می شود زمان و دقت در معاملات بدون اصلاحات معماری انجام شود.علاوه بر این ، از پیش بینی کارآمد نتایج تشخیص گذشته برای کاهش از دست دادن احتمالی دقت به دلیل پردازش جزئی ورودی استفاده می کند.سرانجام ، از یک تکنیک کاهش ورودی جدید در سرهای تشخیص خود استفاده می کند تا به طور قابل توجهی اجرای را بدون قربانی کردن دقت ، تسریع کند.ما VALO را در شبکه های پیشرفته ای از شیء شیء 3D LIDAR ، یعنی CenterPoint و VoxelNext پیاده سازی می کنیم و سازگاری پویا آن را با طیف گسترده ای از محدودیت های زمانی نشان می دهیم و ضمن دستیابی به دقت بالاتر از پیشرفته قبلی.کد در دسترس است athttps: //github.com/csl-ku/valo} {github.com/csl-ku/valo.