.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
YOLO（You Only Look Once）已成为实时目标检测的主导范式。然而，由于计算和内存需求高，在资源受限平台上部署实时目标检测器面临挑战。量化通过使用低精度值表示权重和激活值来压缩和加速CNN模型，以解决这一问题。然而，权重和激活值的量化难度通常不平衡。在本工作中，我们提出了MSQuant，一种适用于基于CNN的目标检测器的有效后训练量化（PTQ）方法，该方法通过迁移尺度来平衡权重和激活值的量化难度。MSQuant引入了迁移尺度的概念以缓解这种差异，从而提高整体模型精度。采用交替搜索方法优化迁移尺度，避免局部最优并减少量化误差。我们选择YOLOv5和YOLOv8模型作为PTQ基准，随后在PASCAL VOC、COCO和DOTA数据集上进行大量实验，以探索各种量化方法的组合。结果表明MSQuant的有效性和鲁棒性。我们的方法始终优于其他方法，在量化性能和模型精度方面展现出显著提升。
Keyword:
post-training quantization
object detection
YOLO
optimization
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
Wavelet Tree Transformer: Multihead Attention With Frequency-Selective Representation and Interaction for Remote Sensing Object Detection小波树变换器: 具有频率选择性表示和交互作用的多头注意力，用于遥感目标检测.png)
PREAI
.png){kind=icon}
分享.png){kind=icon}
收藏ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture DesignShuffleNet V2: 高效CNN架构设计的实用指南
PREAI
分享收藏
Vehicle and Pedestrian Detection Based on Improved YOLOv7-Tiny基于改进的YOLOv7-Tiny的车辆与行人检测.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容