本文介绍了一种基于信息矫正模块和分布引导蒸馏的量化视觉变换器压缩方法，在ImageNet上实现了80.9%的准确率。研究提出了多种量化框架和技术，如ADFQ-ViT和PSAQ-ViT，显著提升了视觉变换器的性能，适用于资源受限设备。实验结果表明，这些方法在不同任务中表现优异，降低了推理复杂度和搜索成本。

本文介绍了一种基于信息矫正模块和分布引导蒸馏的量化视觉变换器压缩方法，在ImageNet上实现了80.9%的准确率。研究探讨了ViTs的量化技术、硬件加速及其在资源受限设备上的应用，提出多种量化方法以提升模型性能和训练效率，旨在推动无人机监视和环境监测等领域的应用。