面向目标检测模型的基于内点（Inlier）后训练量化
计算机视觉与模式识别
2026-02-04 v1
摘要
目标检测是计算机视觉中的关键任务，但其巨大的计算需求使得部署缓慢且耗能，推动了量化技术的发展。然而，任务无关的形态学特征（如背景杂乱和传感器噪声）会诱导冗余激活（或异常）。这些异常会扩大激活范围，并将激活分布倾斜向任务无关的响应，从而复杂化比特分配并削弱对信息丰富特征的保留。在缺乏明确区分异常的标准情况下，抑制这些异常可能不慎丢弃有用信息。为此，我们提出了 InlierQ，这是一种以内点（inlier）为中心的后训练量化方法，用于分离异常与信息丰富的内点。InlierQ 计算梯度感知的体积显著性得分，对每个体积进行内点或异常分类，并使用期望最大化（EM）算法对这些得分的后验分布进行拟合。该设计在抑制异常的同时保留信息丰富的特征。InlierQ 无需标签、即插即用，且仅需 64 个校准样本。在 COCO 和 nuScenes 基准测试上进行实验，表明 InlierQ 在相机-based（2D 和 3D）和 LiDAR-based（3D）目标检测上均能一致降低量化误差。
引用
@article{arxiv.2602.03472,
title = {Inlier-Centric Post-Training Quantization for Object Detection Models},
author = {Minsu Kim and Dongyeun Lee and Jaemyung Yu and Jiwan Hur and Giseop Kim and Junmo Kim},
journal= {arXiv preprint arXiv:2602.03472},
year = {2026}
}