热点事件持续更新
AxisQ：面向伪装目标检测的深度自适应通道—频率量化
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026 年 10 月 28 日，arXiv cs.CV 刊出论文，提出面向伪装目标检测（COD）的深度自适应比特分配量化框架 AxisQ。该框架在固定每层平均激活比特预算的前提下，对浅层特征按通道域分配精度、对深层特征按局部频率域分配精度，以保留伪装目标特有的弱纹理与模糊边界；其重建环节采用结合边界加权梯度与误差统计的边界感知 Hessian 近似。在 W2A2 量化设置下，CAMO 数据集上 CFRN 的加权 F-measure 相对提升 12.7%，CamoFormer-P 相对提升 33.3%。目前该工作仅以单篇论文形式公开，尚无后续复现、同行评议或与其他量化方法的对比报道。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
arXiv 新论文提出 AxisQ，按通道与频率域自适应分配量化比特，W2A2 下 COD 指标最高提升 33.3%。报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv cs.CVAxisQ：面向伪装目标检测的深度自适应通道—频率量化
AxisQ 是面向伪装目标检测（COD）的深度自适应比特分配量化框架：在固定每层平均激活比特预算下，浅层特征按通道域、深层特征按局部频率域分配精度，以保留弱纹理与模糊边界。其重建环节采用结合边界加权梯度与误差统计的边界感知 Hessian 近似。在 W2A2 量化下，CAMO 上 CFRN 的加权 F-measure 相对提升 12.7%，CamoFormer-P 提升 33.3%。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。