Las Redes Neuronales Convolucionales (CNNs) son muy populares en muchos campos, incluyendo visión por computadora, reconocimiento de voz, procesamiento de lenguaje natural, etc. Aunque el aprendizaje profundo lleva a un rendimiento innovador en esos dominios, las redes utilizadas son muy exigentes computacionalmente y están lejos de poder funcionar en aplicaciones en tiempo real incluso en una GPU, lo cual no es eficiente en energía y por lo tanto no es adecuado para sistemas de baja potencia como dispositivos móviles. Para superar este desafío, se han propuesto algunas soluciones para cuantificar los pesos y activaciones de estas redes, lo cual acelera significativamente el tiempo de ejecución. Sin embargo, esta aceleración conlleva un mayor error a menos que se realicen ajustes espaciales. El método propuesto en este trabajo entrena redes neuronales cuantificadas mediante inyección de ruido y un ajuste aprendido, lo cual mejora la precisión. Esto lleva a resultados de vanguardia en varias tareas de regresión y clasificación, por ejemplo, clasificación de ImageNet con arquitecturas como ResNet-18/34/50 con tan solo 3 bits de pesos y activaciones. Implementamos la solución propuesta en una FPGA para demostrar su aplicabilidad en aplicaciones en tiempo real de baja potencia. El código de cuantificación estará disponible públicamente una vez sea aceptado.