MCAQ-YOLO：基于形态复杂性感知的目标检测量化
计算机视觉与模式识别
2025-12-30 v2 机器学习
摘要
大多数神经网络量化方法在空间区域上应用统一的位精度，忽视了视觉数据中固有的异构复杂性。本文引入MCAQ-YOLO，面向实时目标检测器实现空间瓦片级混合精度量化。形态复杂性——通过五种互补指标（分形维数、纹理熵、梯度方差、边缘密度和轮廓复杂性）量化——被提出为空间量化灵敏度的信号导向预测器。校准时间分析设计使空间位分配仅增加0.3ms的推理开销，实现151 FPS的吞吐量。此外，引入基于课程学习的训练方案，逐步增加量化难度，以稳定优化并加速收敛。在 exhibit 形态复杂性高度变化的施工安全设备数据集上，MCAQ-YOLO实现85.6%的[email protected]，平均位宽为4.2位，压缩比达7.6倍，超越统一4位量化提升3.5个百分点。跨数据集评估在COCO 2017（+2.9%）和Pascal VOC 2012（+2.3%）上显示出一致性改进，性能提升与图像内复杂性变化呈正相关。
引用
@article{arxiv.2511.12976,
title = {MCAQ-YOLO: Morphological Complexity-Aware Quantization for Efficient Object Detection with Curriculum Learning},
author = {Yoonjae Seo and Ermal Elbasani and Jaehong Lee},
journal= {arXiv preprint arXiv:2511.12976},
year = {2025}
}
备注
14 pages, 5 figures, 11 tables. Preprint