MCUNet: Tiny Deep Learning on IoT Devices
PulseAugur coverage of MCUNet: Tiny Deep Learning on IoT Devices — every cluster mentioning MCUNet: Tiny Deep Learning on IoT Devices across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的RiP卷积技术提升了微控制器上CNN的内存效率
研究人员开发了一种新的内存高效卷积神经网络（CNN）技术，称为Right In-Place (RiP) 卷积。该方法解决了现有原地卷积策略的局限性，特别是在微控制器等受限硬件上。RiP卷积通过确保正确分配和避免高估来优化内存使用，从而在不影响推理速度或输出准确性的情况下显著减少峰值激活内存。当在TinyEngine框架中实现并在Raspberry Pi Pico设备上部署时，RiP卷积使得更多模型能够适应有限的SRAM，增加了兼容MC…
-
新的RiP卷积策略提高了微控制器的内存效率
研究人员开发了一种新的内存高效卷积策略，称为右就地（RiP）卷积，专为微控制器等受限硬件设计。该方法通过纠正分配不足和高估问题，并推广到各种内核参数，解决了现有就地卷积技术的局限性。RiP卷积在各种架构上平均将峰值激活内存减少了24.8%，显著节省了内存，并使得更多模型能够适应SRAM有限的设备。
-
新方法优化深度学习在嵌入式GNSS干扰监测中的应用
研究人员开发了一种在资源受限的嵌入式系统上实现高效深度学习推理的方法，特别适用于全球导航卫星系统（GNSS）干扰监测。该方法结合了迭代结构化剪枝、训练后静态量化和硬件感知神经网络架构搜索（NAS），以优化模型的尺寸、计算复杂度和内存使用。实验表明，这种组合策略从MCUNet基线开始，在实现模型在iMXRT1062 MCU、Raspberry Pi Zero 2W和Raspberry Pi 5等嵌入式平台上实际部署的同时，有效地保持了任务性能。
-
微小协同推理提升边缘设备上的目标检测性能
研究人员开发了一种用于改进小型边缘设备上的目标检测方法，特别是在存在遮挡的情况下。他们的方法结合了轻量级神经网络架构和TensorFlow Lite量化，并评估了两种协同推理策略：特征级融合和决策级融合。决策级融合，特别是使用加权框融合（WBF），表现出更优越的性能，在不对称遮挡设置下将准确率提高了高达0.27 mAP，并在多板部署中将帧级覆盖率提高了近30%。