Raspberry Pi 4 Model B
PulseAugur coverage of Raspberry Pi 4 Model B — every cluster mentioning Raspberry Pi 4 Model B across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
Raspberry Pi短缺影响家庭媒体服务器更换
作者的Raspberry Pi 4，当时正在运行他们的Kodi实例，似乎要坏了。他们暂时用Raspberry Pi 3替换了它，但由于被称为“RAMpocalypse”的普遍短缺，现在在寻找Raspberry Pi 4或5的替代品时遇到了困难。
-
AI模型使用腕部传感器进行帕金森病筛查
研究人员开发了一种新颖的注意力机制，可使用可穿戴传感器更准确、更高效地筛查帕金森病。该方法在arXiv论文中有所详述，处理来自腕戴式惯性测量单元（IMU）的数据，以区分健康个体、帕金森病患者以及患有类似疾病的人。该系统实现了高精度，尤其是在识别帕金森病方面，并且即使在标记数据有限的情况下也表现出接近饱和的性能，使其适合在Raspberry Pi 4等设备上进行实时边缘部署。
-
新数据集和轻量级模型推动单目深度估计发展
研究人员正在开发用于单目深度估计的新方法和数据集，这项技术对于增强现实和虚拟现实等应用至关重要。新的数据集（如MODEST）正在被创建，以提供高分辨率的真实世界图像，捕捉复杂的视觉效果，从而解决当前训练数据的局限性。同时，在轻量级神经网络架构和专为资源受限设备设计的主动学习框架方面也取得了进展，旨在提高在动态环境中的适应性和性能。
-
深度学习模型通过轻量级检测增强H-IoT网络安全
研究人员开发了新的深度学习模型，即时间卷积网络（TCN）和残差时间卷积网络（Res-TCN），以增强医疗物联网（H-IoT）系统的网络安全。这些轻量级模型旨在通过利用真实数据集和基于动态阈值的缓解策略来检测和缓解分布式拒绝服务（DDoS）攻击等网络威胁。这些模型已针对边缘部署进行了优化，并转换为TensorFlow Lite（TFLite），在Raspberry Pi 4上展示了低延迟和高能效的运行，为H-IoT安全建立了全面的防御机制。
-
开发者从头开始用 ARM64 汇编实现了 YOLO26n
一位开发者使用 ARM64 汇编语言和 C 从头开始实现了 YOLO26n 对象检测模型的推理，绕过了标准框架。该项目是为学士学位最终项目开发的，旨在理解底层神经网络操作并针对 Raspberry Pi 4 上的边缘 AI 进行优化。该实现包含了各种优化技术，包括 ARM NEON SIMD、Winograd 卷积和缓存感知分块，但性能提升不如预期，因此请求社区就优化策略提供反馈。
-
设备端NAS优化神经网络以进行实时数据分析
研究人员开发了一种新颖的设备端神经架构搜索（NAS）方法，专为近传感器计算而设计。该方法允许直接在部署设备上优化小型神经网络，以适应实时数据变化。该系统在意大利手语（ISL）数据集上进行了验证，与在Raspberry Pi 4上运行的现有方法相比，在RAM占用和准确性方面均有显著提高。在Case Western Reserve University（CWRU）数据集上的进一步验证表明，该方法在智能故障诊断等任务中具有更广泛的适用性。
-
作者认为：离线优先AI对全球南方国家至关重要
文章认为，AI工具必须设计成离线可用，特别是对全球南方国家而言，因为这些地区的互联网和电力供应不稳定。作者介绍了`offline-mcp`，这是一个包装了Ollama的工具，可以在本地运行开放权重模型，确保在没有互联网连接的情况下也能正常工作，并防止敏感数据发送到外国服务器。这种方法被认为是实现数字独立的关键，并且已证明在树莓派等低成本硬件上可行。
-
GAN 在树莓派 4 上部署，创建物理 NFT 铸造设备
一位用户已成功在树莓派 4 上部署了生成对抗网络 (GAN)，并创建了一个可铸造非同质化代币 (NFT) 的物理设备。该 GAN 在人脸数据集上进行训练，生成混合面部图像，然后通过模板化句子结构用于创建 NFT 标题。该项目被开发为一个艺术品并在公共场合进行了展示。
-
联邦自动编码器在边缘设备上增强了具有隐私保护的心电图异常检测
研究人员开发了一种用于在边缘设备上检测心电图（ECG）数据异常的隐私保护联邦自动编码器系统。该系统结合了联邦学习、差分隐私和INT8量化，以维护患者的机密性，实现在Raspberry Pi 4等受限硬件上的实时推理，并在来自不同医院的非独立同分布（non-IID）数据下也能实现高质量的检测。研究发现，联邦学习的性能与集中式基线相当或更优，而INT8量化在准确性损失极小的情况下显著减小了模型大小和延迟，证明了隐私保护和边缘部署可以同时实现。
-
StreamSplit 使边缘设备上的高效连续音频学习成为可能
研究人员开发了 StreamSplit，一个旨在使对比学习在资源约束波动的边缘设备上变得实用的新框架。该系统使用一种基于分布的方法将表示质量与局部批次大小解耦，并采用混合损失（Hybrid Loss）来保证稀疏更新的保真度。一个由强化学习策略驱动的、不确定性引导的自适应分割器（Uncertainty-Guided Adaptive Splitter）通过整合实时资源监控和嵌入模糊性，动态地划分计算，以优化准确性和延迟。
-
《赛博朋克2077》夹克配备由Raspberry Pi驱动的可玩OLED领子
一位cosplay爱好者制作了《赛博朋克2077》中NUSA Infiltrator夹克的现实版本，其特色是有一个独特的领子。该领子集成了四个柔性OLED显示屏，成本约为1200美元，由两台Raspberry Pi 4单板计算机供电。夹克的领子可以显示动画，甚至可以通过Steam手柄玩游戏，隐藏式电池可提供约三小时的续航。
-
LLM集成到多机器人系统中，并为边缘设备进行基准测试
一篇综述论文回顾了大型语言模型（LLM）在多机器人系统（MRS）中的集成，将应用从高级任务分配到低级动作生成进行了分类。它强调了数学推理能力限制和幻觉等挑战，同时也概述了微调和推理技术未来的研究机会。另外，另一篇论文对25个开源语言模型在社交机器人边缘设备的部署进行了基准测试，评估了推理效率、通用知识和教学有效性。
-
拉普拉斯桥接平滑为边缘设备提供更快、经过认证的 AI 鲁棒性
研究人员开发了拉普拉斯桥接平滑（LBS）方法，这是一种提高机器学习模型认证鲁棒性效率和有效性的新方法。LBS 分析性地重新构建了随机平滑，用低维空间中更快的计算取代了计算密集型采样。这种方法消除了对噪声增强训练的需求，并显著降低了认证成本，从而能够在 NVIDIA Jetson Orin Nano 和 Raspberry Pi 4 等边缘设备上进行实际部署。
-
边缘AI和单目视觉赋能鲁棒的漫游车导航
研究人员开发了一个深度感知漫游车系统，该系统利用边缘AI和单目视觉进行导航。研究将模拟立体视觉与真实世界单目深度估计进行了比较，发现后者更具实用性。漫游车使用Raspberry Pi 4实现了0.1 FPS的深度估计和10 FPS的目标检测。
-
Ubuntu 19.10 增强 AI/ML 开发和边缘 Kubernetes
Canonical 发布了 Ubuntu 19.10，重点在于增强 AI/ML 开发和边缘计算能力。此次更新通过 MicroK8s 改进了对边缘 Kubernetes 的支持，并集成了 Kubeflow 以支持机器学习工作流。此外，它还提供了更好的多云基础设施经济性以及改进的桌面体验，包括性能增强和实验性的 ZFS 支持。