一项新研究调查了训练后量化（PTQ）在面对噪声和模糊等现实世界输入退化时，对YOLO目标检测模型鲁棒性的影响。研究人员评估了包括静态INT8在内的各种精度格式，并提出了一种感知退化的校准策略。虽然静态INT8提供了显著的加速，但提出的校准方法并未在大多数模型和退化情况下持续提高鲁棒性，尽管在特定噪声条件下对大型模型观察到了一些好处。 AI
影响 为在不受控环境中部署量化目标检测模型提供了见解，突出了鲁棒性方面的挑战。
排序理由 评估模型对输入退化鲁棒性的学术论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2508.19600v3 Announce Type: replace Abstract: Post-training quantization (PTQ) is crucial for deploying efficient object detection models, like YOLO, on resource-constrained devices. However, the impact of reduced precision on model robustness to real-world input degradatio…