Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2501.16738

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2501.16738 (eess)
[提交于 2025年1月28日 (v1) ,最后修订 2025年2月13日 (此版本, v2)]

标题: 具有k尺度量化和重新参数化的视觉Mamba的后训练量化

标题: Post-Training Quantization for Vision Mamba with k-Scaled Quantization and Reparameterization

Authors:Bo-Yun Shi, Yi-Cheng Lo, An-Yeu (Andy)Wu, Yi-Min Tsai
摘要: Mamba 模型采用结构化状态空间模型(SSM),具有线性时间复杂度,并展现出显著潜力。Vision Mamba(ViM)通过引入双向 SSM 和补丁嵌入扩展了这一框架至视觉任务,在性能上超过了基于 Transformer 的模型。 尽管模型量化对于高效计算至关重要,但现有工作仅关注原始的 Mamba 模型,尚未将其应用于 ViM。此外,它们忽略了量化 SSM 层,而该层是 Mamba 的核心部分,由于其固有结构,粗暴的量化可能导致严重的误差传播。 本文专注于 ViM 的后训练量化(PTQ)。我们通过三种核心技术解决了相关问题:1)针对线性和卷积层的 k-scale 标记量化方法,2)简化隐藏状态量化的重新参数化技术,以及 3)一种通过整合操作减少计算开销的因素确定方法。通过这些方法,可以减轻由 PTQ 引发的误差。 ImageNet-1k 上的实验结果显示,由于 PTQ 导致的准确率下降仅为 0.8%-1.2%,这凸显了我们方法的有效性。
摘要: The Mamba model, utilizing a structured state-space model (SSM), offers linear time complexity and demonstrates significant potential. Vision Mamba (ViM) extends this framework to vision tasks by incorporating a bidirectional SSM and patch embedding, surpassing Transformer-based models in performance. While model quantization is essential for efficient computing, existing works have focused solely on the original Mamba model and have not been applied to ViM. Additionally, they neglect quantizing the SSM layer, which is central to Mamba and can lead to substantial error propagation by naive quantization due to its inherent structure. In this paper, we focus on the post-training quantization (PTQ) of ViM. We address the issues with three core techniques: 1) a k-scaled token-wise quantization method for linear and convolutional layers, 2) a reparameterization technique to simplify hidden state quantization, and 3) a factor-determining method that reduces computational overhead by integrating operations. Through these methods, the error caused by PTQ can be mitigated. Experimental results on ImageNet-1k demonstrate only a 0.8-1.2\% accuracy degradation due to PTQ, highlighting the effectiveness of our approach.
主题: 图像与视频处理 (eess.IV)
引用方式: arXiv:2501.16738 [eess.IV]
  (或者 arXiv:2501.16738v2 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.16738
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Bo-Yun Shi [查看电子邮件]
[v1] 星期二, 2025 年 1 月 28 日 06:22:30 UTC (656 KB)
[v2] 星期四, 2025 年 2 月 13 日 07:51:12 UTC (658 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号