神经网络感知的量化效应：如何改变视觉模型的感知场？
计算机视觉与模式识别
2024-10-21 v2
摘要
神经网络量化是部署资源受限设备上模型的关键技术。尽管其应用广泛，但关于量化对模型感知场影响，特别是就类激活图 (CAM) 而言，仍有待探讨。本研究通过检验量化如何影响视觉模型的空间识别能力，来考察 CAM 与视觉显著对象图之间的对齐情况，涵盖多种不同架构。我们利用来自 ImageNet 的 10,000 张图片数据集，对六种 diverse CNN 架构进行全面评估：VGG16、ResNet50、EfficientNet、MobileNet、SqueezeNet 和 DenseNet。通过系统应用量化技术，我们识别出 CAM 的细微变化及其与 Salient object 图的对齐情况。我们的结果表明，这些架构对量化具有不同的灵敏度，并强调了其对实际应用中模型性能和可解释性的影响。本工作主要深化了对神经网络量化的理解，为在实际场景中部署高效且可解释的模型提供了至关重要的见解。
引用
@article{arxiv.2403.09939,
title = {Quantization Effects on Neural Networks Perception: How would quantization change the perceptual field of vision models?},
author = {Mohamed Amine Kerkouri and Marouane Tliba and Aladine Chetouani and Alessandro Bruno},
journal= {arXiv preprint arXiv:2403.09939},
year = {2024}
}
备注
Accepted & presented at IPTA 2024