QYOLO：量子インスパイアードな共有チャネル混合による軽量物体検出

アブストラクト: オブジェクト検出アーキテクチャの急速な発展により、単段（single stage）検出器がリアルタイムな視覚認識における支配的な解決策として位置付けられている。これらのモデルにおける計算オーバーヘッドの主な原因は、深いバックボーン段階にある。すなわち、高ストライド領域におけるC2fボトルネックモジュールが、チャネル幅に対する二次スケーリングのために、パラメータの大半を不釣り合いに蓄積してしまう。本研究では、QYOLOを提案する。QYOLOは量子に着想を得たチャネルミキシングの枠組みであり、最も深いバックボーンにある2つのC2fモジュール（P4/16：512チャネル、P5/32：1024チャネル）を、コンパクトなQMixBlockに置き換えることで、真の意味でのアーキテクチャ圧縮を実現する。提案ブロックは、2つのバックボーン段階の双方で共有される学習可能パラメータを用いた正弦波（sinusoidal）によるミキシング機構により、グローバルなチャネル再較正（recalibration）を行う。これにより、独立した段階ごとのパラメータ集合を必要とせずに、チャネルの重要度を一貫して強制する。ネックおよび検出ヘッドは、完全に古典的な構成のままで変更せずに維持する。VisDrone2019ベンチマークでの評価では、QYOLOv8nがパラメータ数を20.2%削減（3.01Mから2.40M）し、mAP@50の低下はわずか0.4 ppに抑えつつGFLOPsを12.3%削減できることが示された。QYOLOv8sは、21.8%の削減で低下は0.1 ppである。知識蒸留と組み合わせることで、圧縮に対する追加コストなしに、完全な精度の同等性が回復される。バックボーンを拡張しネックも追加した派生では、精度低下はより大きくなるものの、38〜41%の削減が達成され、バックボーンのみの最終設計が動機付けられた。