TensorFlow Lite
PulseAugur coverage of TensorFlow Lite — every cluster mentioning TensorFlow Lite across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
DCGAN 在具有 512KB SRAM 的 RISC-V 微控制器上运行
一个项目成功地在一个双核 RISC-V 微控制器上实现了一个拥有 1260 万参数的 DCGAN 模型，用于生成 64x64 的猫脸图像，该微控制器仅有 512KB 的 SRAM。完全用 C 语言编写的推理引擎在 26 秒内完成了图像生成，其性能主要受限于 SD 卡访问速度而非计算能力。这项工作值得关注，因为它绕过了 TFLite 和 CMSIS NN 等现有生态系统，为在低成本嵌入式硬件上运行生成模型提供了一种新颖的解决方案。
-
深度学习集成提高了植物病害分类的准确性
研究人员开发了AgriMind，一个用于自动化植物病害分类的集成深度学习框架。该系统结合了三种模型——ResNet50、EfficientNet-B0和DenseNet121——这些模型在超过20,000张辣椒、土豆和番茄植物的图像上进行了训练。该集成模型达到了99.23%的准确率，与单个模型相比显著降低了错误率，并展示了在GPU上高效的处理速度。
-
AI model grades knee osteoarthritis severity on limited devices
Researchers have developed a novel approach for grading knee osteoarthritis severity using a combination of deep learning and a large language model. The system utilizes a ResNet-18 convolutional neural network, optimiz…
-
PoTAcc流水线在边缘设备上加速二的幂量化深度神经网络
研究人员开发了PoTAcc，一个开源流水线，旨在加速资源受限的边缘设备上二的幂（PoT）量化深度神经网络（DNN）的部署。该系统通过TensorFlow Lite促进这些模型的准备和部署，支持仅CPU配置以及带有定制加速器的混合CPU-FPGA系统。评估表明，使用PoTAcc的CPU-加速器设计在特定FPGA板上与仅CPU执行相比，实现了高达3.6倍的速度提升和78%的能耗降低。
-
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。
-
AI模型从音频预测口吃事件，并部署在设备上
研究人员开发了一种新的卷积神经网络（CNN）模型，该模型能够从短音频片段中预测即将发生的口吃事件。这个拥有616K参数的模型在SEP-28k数据集上进行了训练，在识别如阻塞和声音重复等严重口吃事件的前体方面表现出特别的能力。值得注意的是，该模型可以部署在设备上，并在各种Apple设备上展示了高效的导出格式和低延迟。