近年来，神经网络量化被视为一种有效的模型压缩和加速手段，受到深度学习研究人员的广泛关注。近日，机器学习顶会 ICLR 2021 接收论文结果已经正式公布，至少有 12 项工作展示了神经网络量化方向的相关进展。本文将介绍首个应用二值量化的方法设计的高效点云深度学习模型 BiPointNet，这项研究工作由北京航空航天大学刘祥龙教授团队、商汤新加坡研究团队和加州大学圣迭戈分校共同完成。

随着点云应用的不断演进，用于点云的深度学习模型需要被部署在各类离线边缘场景，如自动驾驶设备和手持移动设备等，这给模型的推理、存储、传输等环节带来了巨大挑战。如何让点云模型在边缘设备上“又轻又快”，是工业界和学术界共同关注的重要问题。

我们的文章旨在解决边缘设备上运行点云应用时的资源限制问题，并提出了第一个点云深度学习二值化模型 BiPointNet。BiPointNet 的准确率表现几乎可以媲美全精度网络，并在边缘设备上带来了14.7 倍的超高加速比和 18.9 倍的存储节省，从模型量化的视角打开了点云模型硬件部署优化的新思路。

Part 1 背景及概述

随着深度神经网络模型能够直接处理原始点云数据，点云学习已经取得了很大的进展。在实际应用场景下，这类网络非常需要实时交互和快速响应，例如自动驾驶和增强现实等。但是，它们的部署环境通常是一些资源受限的边缘设备。尽管研究者们已经提出了诸如 Grid-GCN，RandLA-Net 和 PointVoxel 之类的新颖的算法来加速点云网络的处理，但是它们还是依赖于昂贵的浮点运算。模型二值化方法受益于轻量的二值化参数和高效的按位操作，已成为最有前景的模型压缩加速方法之一，但是由于 2D 图像和 3D 点云之间的根本性差异，现有的二值化方法无法被直接迁移到 3D 点云网络中。

在本文中，我们提出了 BiPointNet，将全精度的点云网络转换成高效且准确的二值化模型 (整体框架图见图 1)。我们研究了二值化特征的信息熵和点云聚合函数的表现之间的关系：为了解决聚合后的二值化特征存在同质化的问题，提出了熵最大化聚合函数 (Entropy-Maximizing Aggregation，EMA)；提出了逐层尺度恢复 (Layer-wise Scale Recovery，LSR) 以有效地恢复输出的尺度，并使得尺度敏感的结构可以正常运作。

图 1: BiPointNet 的整体框架图

Part 2 方法

点云非结构化（unstructured）的特征导致多层感知机是网络中最常见的结构，而二值化模型包含的是二值化的多层感知机，能够对轻量级的二值化权重和激活执行高效的位运算操作 (XNOR 和 Bitcount) ：

其中，和代表二值化激活与权重，表示基于位运算的向量内积。

2.2 熵最大化聚合函数

我们的研究表明，由于严重的同质化现象，聚合函数是二值化的一个性能瓶颈。

理想情况下，二值化张量 B 应该尽可能多地保留原始张量 Y 所包含的信息。而当最大池化层的输入呈随机分布时，二值化输出的信息熵随着聚合元素数量n趋近于无穷大而趋向于0。由于点的数量通常较大 (如ModelNet40 的分类任务的n为 1024 )，这导致不论输入池化层的特征如何，其输出特征总是高度相似的，如图 2 所示。2D 视觉中聚合函数通常用较小的核(ResNet 和 VGG-Net 中使用  的池化核)，问题并不严重。因此，我们需要一类能够使 B 的信息熵最大化的聚合函数，以避免聚合引起的特征同质化问题。

图 2: 聚合引起的特征同质化问题

其中  表示聚合函数 (例如最大池化和平均池化)，  表示变换单元，可以有多种形式，我们发现最简单的常数偏移已经十分有效。这个偏移将输入进行移位运算以最大化二值化特征 B 的信息熵。BiPointNet 中的变换单元  可以被定义为 。当   表示最大池化时，目标函数的解与无关，从而规避了在点云应用中聚合元素数量 n 过大造成的特征同质化问题。

2.3 One-Scale-Fits-All: 逐层尺度恢复

在本节，我们阐述并解决了二值化会导致特征尺度失真的问题。

我们发现，当信息熵取到最大值时，输出特征的尺度与特征通道数直接相关，因此造成尺度的不合理放大，即尺度失真。尺度失真使得一些为 3D 深度学习设计的对尺度较为敏感的结构失效（见图 3），还导致前向传播时的激活和后向传播时的梯度趋于饱和。

图 3: 尺度失真

为了恢复输出的尺度和调整能力，我们提出在 BiPointNet 的二值线性层中应用 LSR。我们设计了一个可学习的逐层尺度恢复因子 ，并通过二值线性层和全精度的输出之间的标准差来初始化:

其中，表示标准差。而且在训练过程中是可学习的。具有 LSR 的二值线性层的计算步骤如下:

其中，和分别表示 a 和 z 的梯度。通过在 BiPointNet 中应用 LSR，我们缓解了由于二值化导致输出尺度失真的问题。

Part 3 实验

我们的实验表明了 BiPointNet 在点云学习上的强大性能，部分设置下甚至媲美全精度模型。

表 1 中结果表明，同时使用EMA和LSR可以显著缩小二值化模型和全精度模型之间的性能差距；在表 2 中，我们展示了 BiPointNet 优于其他二值化方法；表 3 展示了在几种主流的点云深度学习模型中取得的提升。

表 1: BiPointNet 在 ModelNet40 (分类)、

ShapeNet Parts (零件分割)、S3DIS (语义分割) 上的消融实验

表 2: 基于 PointNet 的二值化方法对比

表 3: 在主流骨干网络上应用我们的方法

为了验证 BiPointNet 在真实世界的边缘设备上的高效性，我们还将其部署在ARM CPU Cortex-A72 和Cortex-A53 的树莓派上。尽管PointNet 已经是现有模型中公认的快速、轻量模型，BiPointNet依然带来了14.7倍的推理加速和18.9倍的存储节省。

图 5: (a) 耗时对比；(b) 存储使用对比；(c) 不同二值化方案速度和准确率的关系散点图