論文の概要: Infrared Domain Adaptation with Zero-Shot Quantization

• arxiv url: http://arxiv.org/abs/2408.13925v1
• Date: Sun, 25 Aug 2024 19:47:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 15:32:15.711706
• Title: Infrared Domain Adaptation with Zero-Shot Quantization
• Title（参考訳）: ゼロショット量子化による赤外領域適応
• Authors: Burak Sevsay, Erdem Akagündüz,
• Abstract要約: 熱画像で再現された物体検出モデルにゼロショット量子化を適用する方法を示す。 ゼロショット量子化とポストトレーニング量子化を比較する。 我々のゼロショット量子化フレームワークは、トレーニングデータの欠如に有効であり、赤外線領域に適していることを示す。
• 参考スコア（独自算出の注目度）: 3.6064695344878093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantization is one of the most popular techniques for reducing computation time and shrinking model size. However, ensuring the accuracy of quantized models typically involves calibration using training data, which may be inaccessible due to privacy concerns. In such cases, zero-shot quantization, a technique that relies on pretrained models and statistical information without the need for specific training data, becomes valuable. Exploring zero-shot quantization in the infrared domain is important due to the prevalence of infrared imaging in sensitive fields like medical and security applications. In this work, we demonstrate how to apply zero-shot quantization to an object detection model retrained with thermal imagery. We use batch normalization statistics of the model to distill data for calibration. RGB image-trained models and thermal image-trained models are compared in the context of zero-shot quantization. Our investigation focuses on the contributions of mean and standard deviation statistics to zero-shot quantization performance. Additionally, we compare zero-shot quantization with post-training quantization on a thermal dataset. We demonstrated that zero-shot quantization successfully generates data that represents the training dataset for the quantization of object detection models. Our results indicate that our zero-shot quantization framework is effective in the absence of training data and is well-suited for the infrared domain.
• Abstract（参考訳）: 量子化は計算時間を短縮し、モデルサイズを縮小する最も一般的な手法の1つである。 しかし、量子化されたモデルの正確性を保証するには、通常、プライバシー上の懸念からアクセスできないトレーニングデータを使用するキャリブレーションが必要となる。 このような場合、特定のトレーニングデータを必要としない事前訓練されたモデルと統計情報に依存するゼロショット量子化技術が有用になる。 赤外領域におけるゼロショット量子化の探索は、医療やセキュリティなどの機密分野における赤外線イメージングの頻度が高いため重要である。 本研究では,熱画像で再現された物体検出モデルにゼロショット量子化を適用する方法を示す。 モデルのバッチ正規化統計を用いて、キャリブレーションのためのデータを蒸留する。 ゼロショット量子化の文脈において、RGB画像学習モデルと熱画像学習モデルを比較した。 本研究は,ゼロショット量子化性能に対する平均偏差および標準偏差統計量の寄与に焦点を当てる。 さらに,ゼロショット量子化とポストトレーニング量子化を比較した。 我々は、ゼロショット量子化がオブジェクト検出モデルの量子化のためのトレーニングデータセットを表すデータを生成することを実証した。 我々のゼロショット量子化フレームワークは、トレーニングデータの欠如に有効であり、赤外線領域に適していることを示す。

関連論文リスト

• Post-training Quantization for Text-to-Image Diffusion Models with Progressive Calibration and Activation Relaxing [49.800746112114375]
  本稿では,テキスト・画像拡散モデルのための学習後量子化手法(プログレッシブ・アンド・リラクシング)を提案する。 我々は,安定拡散XLの量子化を初めて達成し,その性能を維持した。
  論文  参考訳（メタデータ） (2023-11-10T09:10:09Z)
• On quantifying and improving realism of images generated with diffusion [50.37578424163951]
  与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。 IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。 我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。 このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
  論文  参考訳（メタデータ） (2023-09-26T08:32:55Z)
• Towards Accurate Post-training Quantization for Diffusion Models [73.19871905102545]
  本稿では,効率的な画像生成のための拡散モデル(ADP-DM)の高精度なデータフリーポストトレーニング量子化フレームワークを提案する。 提案手法は, 拡散モデルの学習後の量子化を, 同様の計算コストで, 非常に大きなマージンで高速化する。
  論文  参考訳（メタデータ） (2023-05-30T04:00:35Z)
• Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
  量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。 本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
  論文  参考訳（メタデータ） (2023-05-10T11:10:09Z)
• Genie: Show Me the Data for Quantization [2.7286395031146062]
  本稿では,高品質な量子化ネットワークを数時間で生成するゼロショット量子化のためのポストトレーニング量子化手法を提案する。 また,学習後の量子化アルゴリズムを提案し,量子化モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2022-12-09T11:18:40Z)
• Image-to-Image Regression with Distribution-Free Uncertainty Quantification and Applications in Imaging [88.20869695803631]
  真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。 画像から画像への回帰を3つのタスクで評価する。
  論文  参考訳（メタデータ） (2022-02-10T18:59:56Z)
• A Generalized Zero-Shot Quantization of Deep Convolutional Neural Networks via Learned Weights Statistics [1.2891210250935146]
  深部畳み込みニューラルネットワークの浮動小数点重みと活性化を固定点表現に量子化すると、メモリフットプリントと推論時間が減少する。 近年,ゼロショット量子化への取り組みが進められている。 本稿では,オリジナルデータやBN層統計に依存しない一般化ゼロショット量子化(GZSQ)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-06T07:41:16Z)
• Q-ASR: Integer-only Zero-shot Quantization for Efficient Speech Recognition [65.7040645560855]
  ASRモデルに対する整数のみのゼロショット量子化スキームであるQ-ASRを提案する。 全精度ベースラインモデルと比較すると,wrの変化は無視できる。 Q-ASRは、WER劣化が少ない4倍以上の圧縮率を示します。
  論文  参考訳（メタデータ） (2021-03-31T06:05:40Z)
• Zero-shot Adversarial Quantization [11.722728148523366]
  ゼロショット逆量子化(ZAQ: Zero-shot adversarial quantization)フレームワークを提案し,効果的な不一致推定と知識伝達を容易にする。 これは、情報的で多様なデータ例を合成するためにジェネレータを駆動する、新しい2レベル不一致モデリングによって達成される。 強力なゼロショットベースラインに対してZAQの優位性を示す3つの基本的なビジョンタスクについて広範な実験を行います。
  論文  参考訳（メタデータ） (2021-03-29T01:33:34Z)
• Generative Zero-shot Network Quantization [41.75769117366117]
  畳み込みニューラルネットワークは、低レベルの画像生成と復元における多数のトレーニングサンプルから現実的な画像優先度を学習することができる。 また,高レベル画像認識タスクでは,本質的バッチ正規化(bn)統計をトレーニングデータなしで活用することにより,各カテゴリの「現実的」画像をさらに再構築できることを示す。
  論文  参考訳（メタデータ） (2021-01-21T04:10:04Z)

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。