SpaceCache: 点群ストリーム上の効率的なセマンティックセグメンテーションのための中間特徴量再利用
SpaceCache: Intermediate Feature Reuse for Efficient Semantic Segmentation on Point Cloud Streams
連続する点群フレーム間で中間特徴量をキャッシュして再利用し、Transformerの計算をスキップすることで、精度低下を抑えつつ最大1.65倍の高速化を実現した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Dongheon Yang, Beomseok Kang, Jae-Joon Kim
分類: cs.CV
原文アブストラクト
Point-cloud streams are central to autonomous driving and robotics, yet existing segmentation networks process every frame from scratch, although consecutive frames largely overlap. We observe that the intermediate features of point-cloud transformers remain semantically consistent across frames for the same spatial region, especially in deep stages. Building on this, we present SpaceCache, a training-free feature cache that reuses these features across frames. Tokens of previously observed regions skip a sequence of transformer blocks and take their cached features, only the remaining tokens are computed, and the full token layout is restored for dense prediction. Lightweight cache management keeps reused features reliable by limiting each entry's age and evicting low-confidence entries. Unlike token merging, SpaceCache selects tokens at negligible cost and runs its cache operations once per encoder stage. On both outdoor and indoor benchmarks, such as nuScenes, Waymo, and ScanNet, with two transformer backbones of Utonia and LitePT-B, SpaceCache achieves up to 1.65x speedup with less than 1-point mIoU drop and consistently outperforms token-merging methods.
関連論文
- GUARD: ロボットによるハードディスク分解のための幾何学的不確実性を考慮した点群ノイズ除去とセグメンテーション点群セグメンテーション
- 能動学習によるラベル効率の良い点群セグメンテーション点群セグメンテーション
- LiDARの視点から：陸上点群セグメンテーションのための特徴量拡充と不確実性を考慮したアノテーションパイプライン点群セグメンテーション
- 局所特徴と距離画像を活用した小規模データでのリアルタイム点群セマンティックセグメンテーション点群セグメンテーション
- LiDAR点群セグメンテーションのためのラベルフリーモデル失敗検出点群セグメンテーション
- 距離画像ベースの点群セグメンテーションにおける欠損値補完の重要性点群セグメンテーション