[Paper] 加速旋转不变卷积用于 UAV 图像分割

Source: arXiv - 2512.08888v1

Overview

本文提出了一种针对 GPU 优化的 旋转不变卷积 层，在保持与现有最佳方法相当的精度的同时，大幅加速 UAV（无人机）图像分割。通过去除耗时的 “im2col” 数据降维步骤并在旋转滤波器副本之间共享计算，作者实现了最高 45 % 的训练加速 和 显著的能耗降低，使得具备旋转感知的深度网络在实时航空视觉流水线中变得实用。

Key Contributions

• 新型卷积核，能够原生处理多种方向，而无需将滤波器库展开为多个独立的权重矩阵。
• 消除 im2col 步骤，降低内存流量，避免冗余的矩阵乘法工作。
• 推广到任意（非对称）旋转角度，实现细粒度的方向处理。
• GPU 级实现，在多种输入尺寸下的训练速度比 cuDNN 快 20‑55 %，能耗降低 15‑45 %。
• 与 U‑Net 集成，在 UAV 数据集上相较于标准的、无旋转感知的基线提升 最高 6 % 的分割精度。

Methodology

1. 旋转滤波器共享 – 与其为每个方向存储单独的滤波器，算法仅保存一个基准滤波器，并在运行时使用轻量级索引映射方案生成旋转版本。由于许多像素访问在不同方向之间是共享的，方法能够复用相同的内存读取。
2. 无矩阵乘法卷积 – 传统的 GPU 卷积首先将输入（im2col）重塑为大矩阵，然后调用 GEMM 例程。作者跳过此步骤，直接通过自定义 CUDA 核心流式传输输入，在一次遍历中计算所有方向的点积。
3. 任意角度支持 – 对于不符合滤波器对称性的角度（例如 13°、27°），卷积核使用预计算的旋转表对滤波器权重进行插值，保持相同的低开销数据流。
4. 基准测试套件 – 作者在合成和真实 UAV 数据集上进行评估，比较对象包括 cuDNN、群等变卷积网络以及其他旋转不变基线。

Results & Findings

该方法在不同分辨率下均实现了 一致的速度和功耗提升，同时 保持（或略微提升）分割质量。

Practical Implications

• 实时 UAV 分析 – 更快、更低功耗的卷积使得板载处理成为可能，可用于作物监测、基础设施检查或搜救等任务，尤其在无人机计算资源和电池容量受限的场景下。
• 边缘部署 – 降低的内存带宽需求使该层对边缘 GPU（Jetson、Coral）乃至 FPGA 加速器都具吸引力。
• 简化模型设计 – 开发者只需将标准 Conv2D 层替换为本文提出的层，即可加入旋转不变性，无需重新设计整个网络或膨胀参数量。
• 节能训练 – 处理大规模航空图像数据集的云端训练作业可降低最高 45 % 的电力消耗，从而降低云计算费用。

Limitations & Future Work

• 当前实现面向 NVIDIA CUDA GPU；移植到其他后端（AMD、Intel 或移动 GPU）需要额外的工程工作。
• 虽然支持任意角度，但在非常细的角度步长下 插值精度 可能下降，可能影响需要亚度精度的任务。
• 作者聚焦于 U‑Net 风格的编码‑解码分割；将该方法扩展到检测或实例分割流水线仍是未解之题。
• 未来研究可探索 旋转集合的联合学习（即学习哪些方向最重要）以及 硬件层面的协同设计，进一步压缩内存流量。

Authors

• Manduhu Manduhu
• Alexander Dow
• Gerard Dooly
• James Riordan

Paper Information

• arXiv ID: 2512.08888v1
• Categories: cs.CV, cs.RO
• Published: December 9, 2025
• PDF: Download PDF