Quantization and Corruption Robustness in Deployed Road-Scene Perception
Notoriété 7 %
Ce projet de recherche, mené par le CEA-List, étudie l'impact de la quantification 8 bits sur la robustesse des modèles de perception routière face à des conditions dégradées (flou, intempéries). Les résultats montrent que la quantification améliore la robustesse de certains modèles tout en réduisant leur taille et leur temps d'exécution, sans nécessiter de données corrompues lors de l'entraînement. Les applications visent l'optimisation des systèmes embarqués pour véhicules autonomes.
Dépôt de code
Cas d'utilisation métiers
- Réduction de la taille des modèles de vision par ordinateur : rechercher des initiatives proches
- Optimisation des modèles d'IA pour l'automobile : rechercher des initiatives proches
- Accélération des algorithmes de détection d'objets : rechercher des initiatives proches
- Évaluation de la robustesse des capteurs en conditions dégradées : rechercher des initiatives proches
- Amélioration de la robustesse des systèmes de perception routière : rechercher des initiatives proches
Cas d'utilisation fonctionnel
Outils utilisés
- scikit-image : voir les initiatives qui l'ont aussi
- PyTorch : voir les initiatives qui l'ont aussi
- NumPy : voir les initiatives qui l'ont aussi
- scikit-learn : voir les initiatives qui l'ont aussi
- OpenCV : voir les initiatives qui l'ont aussi
- Pillow : voir les initiatives qui l'ont aussi
- SciPy : voir les initiatives qui l'ont aussi
- Transformers : voir les initiatives qui l'ont aussi
Description générée le jeudi 12 novembre 2026 à 19:36:37