Компьютерная наука > Комптурное видение и распознавание шаблона [представлено 27 октября 2026 года] Название: AxisQ: Deft-Adapative Channel - Frequence Quantization for Camouflated Object Discovery View PDF HTML (экспериментальное) Резюме: Camouflade discrimination (COD) зависит от слабой текстуры и пограничных сигналов, которые могут быть уничтожены агрессивной квантизацией после обучения (PTQ). Существующие методы PTQ в основном позволяют оптимизировать квантизеры или реконструировать сетевые блоки, используя при этом единый домен точного местоположения по иерархическим позвоночникам. Вместо этого мы введем AxisQ, основа для адаптации глубины к бит-альтернативам, мотивируемая наблюдением о том, что полезная ось распределения изменяется с глубиной характеристик. При фиксированном среднем слое бюджета активации-бита AxisQ распределяет точность в домене канала для мелких элементов и в локальночастотном домене для глубоких особенностей, используя чувствительность, покрываемую СОD, чтобы лучше сохранить тонкий передний участок и двусмысленные границы. Мы также формулируем пограничную аппроксимацию для восстановления на основе использования статистики градиента и ошибок, взвешенных по границам. Эксперименты, проведенные с использованием нескольких моделей COD и различных контрольных показателей, свидетельствуют о повышении точности данных по самым сильным исходным условиям при низкой ширине бита, причем относительный взвешенный прирост показателя F для CFRN составляет 12,7%, а…
АксисQ: Глубина-адаптивный канал - Квалификация для Кампуфлированного обнаружения объекта
arXiv: 261 030.36844v 1 Аннот. Новый резюме: Обнаружение Кампуфлированного объекта (КОД) зависит от слабой текстуры и пограничных сигналов, которые могут быть уничтожены агрессивным методом квантизации после прохождения подготовки (ПТК). Существующие методы PTQ в основном позволяют оптимизировать квантизеры или реконструировать сетевые блоки, используя при этом единый домен точного местоположения по иерархическим позвоночникам. Вместо этого мы введем AxisQ, основа для адаптации глубины к бит-альтернативам, мотивируемая наблюдением о том, что полезная ось распределения изменяется с глубиной характеристик. При фиксированном среднем слое бюджета активации-бита AxisQ распределяет точность в домене канала для мелких элементов и в локальночастотном домене для глубоких особенностей, используя чувствительность, покрываемую СОD, чтобы лучше сохранить тонкий передний участок и двусмысленные границы. Мы также формулируем пограничную аппроксимацию для восстановления на основе использования статистики градиента и ошибок, взвешенных по границам. Эксперименты в рамках различных моделей СОХ и различных контрольных показателей