本篇**的主要貢獻:
將量化分成了兩部分:code learning和transformation function learning,其實就是先量化特徵圖,再量化權重
對於code learning,採用了稀疏量化方法,特徵圖小於閾值的都為零
對於transformation function learning,轉化成優化問題
轉化成
引用:quantization mimic: towards very tiny cnn for object detection 2018
quantization and training of neural networks for efficient integer-arithmetic-only inference 2018 cvpr
本篇**的主要貢獻:
研究了量化的過程中的困難
提出了乙個硬體優化的量化scheme,將retinanet、faster rcnn量化到4位元
量化finetune階段bn的更新會影響精度,這裡停止finetune階段bn的更新
channel wise的量化,不同channel之間的scale是不一樣的
特徵圖量化時利用滑動指數平均,避免特徵圖變化導致的不穩定
針對coco資料集下的faster rcnn和retinanet
如何閱讀文獻
文獻分類 文章全名 作者 刊物縮寫 出版年給文章命名,用多級目錄分類對文章進行分類,文獻累計到一定程式就分類採用硬拷貝的方式進行集中整理。當一篇文章涉及多個主題的時候,多級目錄分類就不太靈光了,我目前的做法是部分兩邊都放 部分只放最重要的主題。將我的博士 分成6個小方向。然後將資料分成6個部分。每個...
文獻閱讀(1)
針對的問題 利用商用wifi裝置進行aoa估計 面臨的挑戰 天線數量的限制 相位測量中引入的未知的相位偏移 解決方案 利用人體對手機進行自然旋轉,計算不同角度測量的相位差分,以消除相位偏移,提出d music演算法計算差分生成的等效入射訊號角度。再利用慣性感測器 陀螺儀 測得的旋轉角度計算初始和最終...
如何閱讀文獻
閱讀文獻應該是乙個由點到面再到點的過程。選取當下研究中的乙個熱點話題,檢索較全的文獻。知道目前對這個問題的共同看法和分歧。然後,擴充套件開,逐步擴充套件自己的視野,構建個人的專業知識結構和看法。有了一定的知識基礎以後,對於繁雜的文獻,要有個人的判斷。追蹤某個專題 某個專家的研究進展,比較對於同一專題...