論文の概要: Quantization Effects on Neural Networks Perception: How would quantization change the perceptual field of vision models?

• arxiv url: http://arxiv.org/abs/2403.09939v2
• Date: Fri, 18 Oct 2024 13:51:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 18:13:44.728465
• Title: Quantization Effects on Neural Networks Perception: How would quantization change the perceptual field of vision models?
• Title（参考訳）: 量子化がニューラルネットワークの知覚に与える影響:視覚モデルの知覚場をどのように変えるか?
• Authors: Mohamed Amine Kerkouri, Marouane Tliba, Aladine Chetouani, Alessandro Bruno,
• Abstract要約: 本研究では,量子化が視覚モデルの空間認識能力に与える影響について検討する。 ImageNetから1万の画像のデータセットを利用する。 我々はCAMの微妙な変化と、Salientオブジェクトマップとのアライメントを同定する。
• 参考スコア（独自算出の注目度）: 48.04565928175536
• License:
• Abstract: Neural network quantization is a critical technique for deploying models on resource-limited devices. Despite its widespread use, the impact of quantization on model perceptual fields, particularly in relation to class activation maps (CAMs), remains underexplored. This study investigates how quantization influences the spatial recognition abilities of vision models by examining the alignment between CAMs and visual salient objects maps across various architectures. Utilizing a dataset of 10,000 images from ImageNet, we conduct a comprehensive evaluation of six diverse CNN architectures: VGG16, ResNet50, EfficientNet, MobileNet, SqueezeNet, and DenseNet. Through the systematic application of quantization techniques, we identify subtle changes in CAMs and their alignment with Salient object maps. Our results demonstrate the differing sensitivities of these architectures to quantization and highlight its implications for model performance and interpretability in real-world applications. This work primarily contributes to a deeper understanding of neural network quantization, offering insights essential for deploying efficient and interpretable models in practical settings.
• Abstract（参考訳）: ニューラルネットワーク量子化は、リソース制限されたデバイスにモデルをデプロイするための重要なテクニックである。 広く使われているにもかかわらず、モデル知覚場、特にクラスアクティベーションマップ(CAM)に対する量子化の影響は未解明のままである。 本研究では,CAMと視覚的正当性オブジェクトのアライメントを調べることで,視覚モデルの空間認識能力に量子化がどのような影響を及ぼすかを検討する。 ImageNetから1万イメージのデータセットを利用することで、VGG16、ResNet50、EfficientNet、MobileNet、SqueezeNet、DenseNetの6つの多様なCNNアーキテクチャを総合的に評価する。 量子化手法の体系的適用により、CAMの微妙な変化と、サルエントオブジェクトマップとのアライメントを識別する。 これらのアーキテクチャの量子化に対する感度の相違を実証し、実世界のアプリケーションにおけるモデル性能と解釈可能性への影響を強調した。 この研究は、ニューラルネットワークの量子化のより深い理解に寄与し、実用的な設定で効率的で解釈可能なモデルをデプロイするのに不可欠な洞察を提供する。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• QIXAI: A Quantum-Inspired Framework for Enhancing Classical and Quantum Model Transparency and Understanding [0.0]
  ディープラーニングモデルは、解釈可能性の欠如によってしばしば妨げられ、それらを"ブラックボックス"にする。 本稿では、量子インスピレーションによるニューラルネットワークの解釈性向上のための新しいアプローチであるQIXAIフレームワークを紹介する。 このフレームワークは量子システムと古典システムの両方に適用され、様々なモデルにおける解釈可能性と透明性を改善する可能性を示している。
  論文  参考訳（メタデータ） (2024-10-21T21:55:09Z)
• On Learnable Parameters of Optimal and Suboptimal Deep Learning Models [2.889799048595314]
  ディープラーニングモデルの構造的および運用的側面について検討する。 本研究は,学習可能なパラメータ(重み)統計,分布,ノード間相互作用,可視化のニュアンスに着目した。
  論文  参考訳（メタデータ） (2024-08-21T15:50:37Z)
• Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
  本稿では,重み空間学習におけるSANEアプローチを紹介する。 ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
  論文  参考訳（メタデータ） (2024-06-14T13:12:07Z)
• Efficient and Accurate Hyperspectral Image Demosaicing with Neural Network Architectures [3.386560551295746]
  本研究では,ハイパースペクトル画像復調におけるニューラルネットワークアーキテクチャの有効性について検討した。 様々なネットワークモデルと修正を導入し、それらを従来の手法や既存の参照ネットワークアプローチと比較する。 その結果、我々のネットワークは、例外的な性能を示す両方のデータセットにおいて、参照モデルよりも優れるか、一致していることがわかった。
  論文  参考訳（メタデータ） (2023-12-21T08:02:49Z)
• CAManim: Animating end-to-end network activation maps [0.2509487459755192]
  本稿では,CNN予測に対するエンドユーザの理解の拡大と集中を目的とした,CAManimという新しいXAI可視化手法を提案する。 また,Remove and Debias(ROAD)尺度に基づいて,新たな定量的評価法を提案する。 これは、解釈可能で堅牢で透明なモデルアセスメント方法論に対する需要の増加に対応するために、先行研究に基づいている。
  論文  参考訳（メタデータ） (2023-12-19T01:07:36Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
  インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-15T13:00:25Z)
• Revisiting Facial Key Point Detection: An Efficient Approach Using Deep Neural Networks [0.0]
  モデルサイズ,パラメータ,推論時間の観点から,効率的なディープラーニングモデルを構築した。 MobileNetV2アーキテクチャは最低のRMSEと推論時間を生み出した。 手動で最適化されたCNNアーキテクチャは、Auto Kerasのチューニングアーキテクチャと同様に実行された。
  論文  参考訳（メタデータ） (2022-05-14T19:49:03Z)
• FuNNscope: Visual microscope for interactively exploring the loss landscape of fully connected neural networks [77.34726150561087]
  ニューラルネットワークの高次元景観特性を探索する方法を示す。 我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。 インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
  論文  参考訳（メタデータ） (2022-04-09T16:41:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。