面向目标检测的零样态量化感知训练
计算机视觉与模式识别
2025-07-23 v1
摘要
量化是一种通过将网络参数表示为更低精度来减少网络规模和计算复杂度的关键技术。传统量化方法依赖于访问原始训练数据,但由于隐私顾虑或安全挑战,该数据常常受限。零样态量化(ZSQ)通过使用来自预训练模型生成的合成数据来解决此问题,无需真实训练数据。最近,ZSQ已扩展到目标检测。然而,现有方法使用无标签的任务中立合成图像,缺乏针对目标检测所需的特定信息,导致性能次佳。本文提出了一种面向目标检测网络的新型任务特定零样态量化框架,包含两个主要阶段。首先,我们引入边界框和类别抽样策略,从预训练网络中合成任务特定的校准集,在无任何先验知识的情况下重构目标位置、大小和类别分布。其次,我们将任务特定的训练集成到知识蒸馏过程中,以恢复量化检测网络的性能。在MS-COCO和Pascal VOC数据集上进行的广泛实验表明,我们方法的效率和最新性能。我们的代码已公开于: https://github.com/DFQ-Dojo/dfq-toolkit。
引用
@article{arxiv.2507.16782,
title = {Task-Specific Zero-shot Quantization-Aware Training for Object Detection},
author = {Changhao Li and Xinrui Chen and Ji Wang and Kang Zhao and Jianfei Chen},
journal= {arXiv preprint arXiv:2507.16782},
year = {2025}
}
备注
Accepted by ICCV 2025