[2026年3月6日提出 (v1)、最終改訂2026年7月23日（本バージョン、v3）]

PDFを表示 HTML（実験的）

要約:オープン語彙オブジェクト検出（OVOD）モデルの量子化は、メモリと計算コストを削減しますが、極めて低ビット量子化はクロスモーダル（領域-テキスト）とイントラモーダル（領域-領域）の両方のアライメントを著しく低下させます。このマルチモーダル劣化は、従来の閉語彙検出器向け量子化手法では解決できない独自の課題です。これを克服するため、私たちはOVOD向けに設計された初のマルチモーダル対応かつアーキテクチャ非依存のQATフレームワークである、Quantization-Aware Training with Multimodal Alignment（QATMA）を提案します。QATMAは2つの主要コンポーネントを統合しています：(i) Curriculum QAT：検出器を機能的役割ごとに分割し、量子化範囲を段階的に拡大して誤差蓄積を抑制し、安定した最適化を確保する手法；(ii) Text-anchored Pairwise Similarity Distillation：完全精度教師モデルから、共同埋め込み空間におけるペアワイズコサイン類似度を通じて領域-テキストおよび領域-領域のアライメントの両方を転送する手法。LVISおよびCOCOのゼロショットベンチマークにおける実験結果は、QATMAが極めて低ビット設定下で既存のQATベースラインを大幅に上回り、それぞれ最大4.3および7.6 APの向上を達成することを示しています。

投稿履歴

投稿者: Jibum Kim [メールを表示]
[v1] 2026年3月6日 金曜日 06:57:55 UTC (2,515 KB)
[v2] 2026年3月9日 月曜日 07:42:44 UTC (2,515 KB)
[v3] 2026年7月23日 木曜日 06:43:29 UTC (12,042 KB)