Quantization-Aware Neuromorphic Architecture for Skin Lesion Classification on Resource-Constrained Devices
Di cosa parla
Propongono un'architettura e una procedura per eseguire l'analisi delle lesioni cutanee direttamente su dispositivi a bassa potenza, usando chip che lavorano come reti di neuroni biologici e consumano poca energia. Per evitare che la conversione dai modelli tradizionali rovini le prestazioni, rendono la rete compatibile con numeri a bassa precisione, limitano valori intermedi e sostituiscono parti fragili, consentendo anche una calibrazione leggera senza ritrascinare i dati.
Cosa permette di osservare
Permette di esplorare se e come chip ispirati al cervello possano eseguire diagnostica medica direttamente sui dispositivi con risorse limitate, quali compromessi emergono quando si riduce la precisione dei numeri e come calibrare i modelli senza riaddestrarli completamente.
Dalla fonte
On-device skin lesion analysis is constrained by the compute and energy cost of conventional CNN inference and by the need for lightweight calibration under clinical data shift. Neuromorphic processors provide event-driven sparse computation, but practical deployment is often limited by CNN-to-SNN conversion failures, including unsupported operators, quantization distortion, and accuracy degradation under class imbalance. We propose QANA, a quantization-aware CNN backbone within an end-to-end pipeline for conversion-stable neuromorphic execution. QANA improves conversion robustness by bounding intermediate activations, aligning normalization with low-bit quantization, and replacing conversion-fragile components with spike-compatible transformations. Efficient representation is achieved through Ghost-based feature generation, spatially-aware efficient channel attention, and squeeze-and-e…