红外域零样本量化

量化是减少计算时间和缩小模型规模最流行的技术之一。然而，确保量化模型的准确性通常需要使用训练数据进行校准，而这些数据可能因隐私原因而不可得。在这种情况下，依赖预训练模型和统计信息而无需特定训练数据的零样本量化技术变得重要。探索在红外域中的零样本量化技术至关重要，因为红外成像在医疗和安保等敏感领域广泛应用。本文演示了如何将零样本量化应用于用热成像重新训练的对象检测模型。我们使用模型的批归一化统计信息来提炼校准数据。比较了在零样本量化情境下的 RGB 图像训练模型和热图像训练模型。我们的研究聚焦于均值和标准偏差统计信息对零样本量化性能的贡献。此外，我们比较了在热数据集上进行的零样本量化与后训练量化。我们证明了零样本量化成功地生成了代表训练数据集的数据，用于对象检测模型的量化。我们的结果表明，零样本量化框架在缺乏训练数据时有效，特别适用于红外域。