論文の概要: AxisQ: Depth-Adaptive Channel--Frequency Quantization for Camouflaged Object Detection

• arxiv url: http://arxiv.org/abs/2610.36844v1
• Date: Tue, 27 Oct 2026 08:41:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.54762
• Title: AxisQ: Depth-Adaptive Channel--Frequency Quantization for Camouflaged Object Detection
• Title（参考訳）: AxisQ: 深さ適応型チャネル--カモフラージュ物体検出のための周波数量子化
• Abstract要約: カモフラージュされた物体検出は、攻撃的な後量子化によって破壊できる弱いテクスチャと境界の手がかりに依存する。 ここでは,特徴深度で有用なアロケーション軸が変化するという観測を動機とした,奥行き適応型ビット割り当てフレームワークであるAxisQを紹介する。 複数のCODモデルと多様なベンチマークによる実験では、低ビット幅で最強のベースラインよりも精度が向上した。
• 参考スコア（独自算出の注目度）: 51.79422663088994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Camouflaged object detection (COD) depends on weak texture and boundary cues that can be destroyed by aggressive post-training quantization (PTQ). Existing PTQ methods mainly optimize quantizers or reconstruct network blocks, while using a single precision-allocation domain throughout hierarchical backbones. Instead, we introduce AxisQ, a depth-adaptive bit-allocation framework motivated by the observation that the useful allocation axis changes with feature depth. Under a fixed per-layer average activation-bit budget, AxisQ allocates precision in the channel domain for shallow features and in the local-frequency domain for deep features, using COD-aware sensitivity to better preserve subtle foreground regions and ambiguous boundaries. We also formulate a boundary-aware Hessian approximation for reconstruction by incorporating boundary-weighted gradient and error statistics. Experiments across multiple COD models and diverse benchmarks demonstrate improved accuracy over the strongest baselines at low bit widths, with relative weighted F-measure gains of 12.7% for CFRN and 33.3% for CamoFormer-P on CAMO under W2A2 quantization. These results support adapting the allocation domain to feature depth as a transferable quantization strategy for hierarchical COD models.
• Abstract（参考訳）: カモフラージュされた物体検出(COD)は、攻撃的な後量子化(PTQ)によって破壊される弱いテクスチャと境界の手がかりに依存する。 既存のPTQ手法は主に量子化器を最適化し、ネットワークブロックを再構築する。 代わりに我々は,特徴深度とともに有用なアロケーション軸が変化するという観察を動機とした,奥行き適応型ビット割り当てフレームワークであるAxisQを紹介した。 固定された各層平均アクティベーション-ビット予算の下では、AxisQはチャネル領域の浅い特性と深い特徴の局所周波数領域に精度を割り当て、COD認識感度を使用して微妙なフォアグラウンド領域と曖昧な境界をよりよく保存する。 また,境界重み付き勾配と誤差統計を組み込むことで,境界対応ヘッセン近似を定式化する。 複数のCODモデルと様々なベンチマークによる実験では、W2A2量子化の下でのCAMO上のCFRNの12.7%、CamoFormer-Pの33.3%の相対重み付きF値の上昇により、低ビット幅で最強のベースラインよりも精度が向上した。 これらの結果は、階層型CODモデルの転送可能な量子化戦略として、アロケーション領域を特徴深度に適応することを支援する。

関連論文リスト

• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• CFMD: Dynamic Cross-layer Feature Fusion for Salient Object Detection [7.262250906929891]
  クロス層機能ピラミッドネットワーク(CFPN)は,多層機能融合と境界詳細保存において顕著な進歩を遂げている。 これらの課題に対処するために,CFMDという,2つの重要なイノベーションを取り入れた,新しいクロスレイヤ機能ピラミッドネットワークを提案する。 まず,現在最先端のMambaアーキテクチャを組み込んで動的重み分布機構を構築するコンテキスト認識機能集約モジュール(CFLMA)を設計する。 第2に,分解能回復時に空間的詳細を保存する適応動的アップサンプリングユニット(CFLMD)を導入する。
  論文  参考訳（メタデータ） (2025-04-02T03:22:36Z)
• Frequency Perception Network for Camouflaged Object Detection [51.26386921922031]
  周波数領域のセマンティック階層によって駆動される新しい学習可能かつ分離可能な周波数知覚機構を提案する。 ネットワーク全体では、周波数誘導粗い局所化ステージと細部保存の微細局在化ステージを含む2段階モデルを採用している。 提案手法は,既存のモデルと比較して,3つのベンチマークデータセットにおいて競合性能を実現する。
  論文  参考訳（メタデータ） (2023-08-17T11:30:46Z)
• Automatic Network Adaptation for Ultra-Low Uniform-Precision Quantization [6.1664476076961146]
  一様精度ニューラルネットワーク量子化は、高計算能力のために高密度に充填された演算ユニットを単純化したため、人気を集めている。 層間の量子化誤差の影響に対して不均一な感度を無視し、結果として準最適推論をもたらす。 本研究は,超低精度量子化による精度劣化を軽減するために,ニューラルネットワーク構造を調整するニューラルチャネル拡張と呼ばれる新しいニューラルアーキテクチャ探索を提案する。
  論文  参考訳（メタデータ） (2022-12-21T09:41:25Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• Shallow Network Based on Depthwise Over-Parameterized Convolution for Hyperspectral Image Classification [0.7329200485567825]
  本稿では,畳み込みニューラルネットワーク(CNN)を用いたハイパースペクトル画像分類(HSIC)の浅層モデルを提案する。 提案手法は、分類精度と計算効率の観点から、他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-01T03:10:02Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)
• WaveQ: Gradient-Based Deep Quantization of Neural Networks through Sinusoidal Adaptive Regularization [8.153944203144988]
  深部量子化トレーニングのための新しい正弦波正則化SINAREQを提案する。 我々はSINAREQが計算効率と精度のバランスをとる方法を示し、多種多様な深層ネットワークの量子化のための異種ビット幅割り当てを提供する。
  論文  参考訳（メタデータ） (2020-02-29T01:19:55Z)

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。