$\gamma$-Quant：面向低比特模式识别的可学习量化
计算机视觉与模式识别
2025-09-29 v1
摘要
大多数模式识别模型是在预处理数据上开发的。例如，在计算机视觉中，通过为适应人类感知而设计的图像信号处理（ISP）流水线处理后的 RGB 图像是图像分析网络最常见的输入。然而，许多现代视觉任务在没有人类参与的情况下运行，这引发了此类预处理对自动化分析是否最优的疑问。同样，基于人体佩戴传感器数据的人类活动识别（HAR）通常采用由高比特模数转换器（ADC）产生的归一化浮点数据作为输入，尽管这种方法在数据传输方面效率极低，显著影响了可穿戴设备的电池寿命。在这项工作中，我们针对传感器被限制为低比特深度捕获的低带宽和能量受限环境。我们提出了 -Quant，即面向模式识别的任务特定非线性量化学习。我们在原始图像目标检测以及可穿戴数据的 HAR 上举例说明了我们的方法，并证明使用少至 4 比特的可学习量化原始数据可以与使用 12 比特原始数据的表现相当。用于复现我们实验的所有代码均通过 https://github.com/Mishalfatima/Gamma-Quant 公开提供。
引用
@article{arxiv.2509.22448,
title = {$\gamma$-Quant: Towards Learnable Quantization for Low-bit Pattern Recognition},
author = {Mishal Fatima and Shashank Agnihotri and Marius Bock and Kanchana Vaishnavi Gandikota and Kristof Van Laerhoven and Michael Moeller and Margret Keuper},
journal= {arXiv preprint arXiv:2509.22448},
year = {2025}
}
备注
Accepted at DAGM GCPR 2025