Nvidia Jetson
PulseAugur coverage of Nvidia Jetson — every cluster mentioning Nvidia Jetson across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
MambaGaze 框架使用 Mamba-2 进行认知负荷评估
研究人员开发了 MambaGaze，一个利用眼动追踪数据准确评估认知负荷的新框架。该系统利用双向 Mamba-2 有效建模长程时间依赖性，并采用 XMD 编码方法显式处理因眨眼等原因造成的缺失数据。MambaGaze 在基准数据集上的表现优于现有模型，并可在 NVIDIA Jetson 平台等边缘设备上进行实时部署。
-
Blaize 与 Winmate 合作开发坚固的边缘人工智能硬件
Blaize 已与 Winmate 合作，将其人工智能芯片嵌入到用于国防和关键基础设施应用的坚固硬件中。此次合作旨在将人工智能推理从集中式数据中心扩展到在恶劣、断开连接的环境中运行的设备。两家公司瞄准第一年 1500 万美元的业务，重点关注无人机导航和预测性维护等应用，这些应用无法保证可靠的连接。
-
AI模型通过新数据集和高效蒸馏技术推进植物病害检测
研究人员开发了新的植物叶病分类方法，以辅助早期检测和治疗。一种方法是使用DenseNet201架构在一个自定义数据集上训练一个新的基础模型，该模型通过迁移学习证明了使用更少数据即可实现更快、更鲁棒的训练。另一种方法AgriKD，利用跨架构知识蒸馏，将知识从计算成本高昂的Vision Transformer转移到一个更高效的卷积学生模型，显著减小了模型尺寸和边缘部署的推理时间。
-
Fed-FSTQ 将边缘设备上的LLM微调流量减少了46倍
研究人员开发了Fed-FSTQ，一种用于在边缘设备上高效进行大型语言模型（LLM）联邦微调的新系统。该方法使用Fisher代理来指导令牌量化，优先处理重要信息并减少冗余传输。Fed-FSTQ旨在做到模型无关，并兼容现有的联邦学习管道（如LoRA），支持带宽异构的客户端。实验表明，上行流量显著减少，达到准确度的时间缩短，并在边缘硬件上具有潜在的速度提升。