Tinyml
PulseAugur coverage of Tinyml — every cluster mentioning Tinyml across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
紧凑型Nano-U地形分割模型增强了微型机器人导航
研究人员开发了Nano-U，一个专为低成本微控制器上高效地形分割而设计的紧凑型神经网络。该方法通过使用量化感知蒸馏来训练一个只有几千个参数的模型，解决了当前小型机器人平台模型的局限性。量化后的Nano-U模型在基准数据集上取得了强大的性能，并已成功部署在ESP32-S3微控制器上，使用了MicroFlow推理引擎，为资源受限的机器人的感知提供了可行的解决方案。
-
ColabNAS 为轻量级 CNN 提供经济高效的硬件 NAS
研究人员开发了 ColabNAS，这是一种易于使用的硬件感知神经架构搜索（HW NAS）技术，旨在创建轻量级、特定任务的卷积神经网络（CNN）。该方法受奥卡姆剃刀原则的启发，采用无导数搜索策略。它利用 Google Colaboratory 和 Kaggle Kernel 等免费在线 GPU 服务，在 TinyML 的标准基准 Visual Wake Word 数据集上展示了最先进的性能，仅用三个多 GPU 小时即可完成。
-
新HDC框架增强边缘AI的异常检测能力
研究人员推出了一种新颖的异常检测框架D2H-AD，该框架利用超维度计算（HDC）。这种受大脑启发的计算方法使用高维向量来表示信息，并整合了基于距离的相似性和感知密度的编码，以改进异常检测。D2H-AD在诸如One-Class SVM和Autoencoders等成熟方法上表现出卓越的性能，提供了一种轻量级、可解释且计算效率高的解决方案，适用于资源受限和实时应用，包括TinyML和边缘AI部署。
-
新型 EFGCN 在 FPGA 上处理事件数据，模型尺寸缩小 100 倍
研究人员开发了一种嵌入式图卷积网络 (EFGCN)，专门用于片上系统 (SoC) FPGA 上的实时事件数据处理。与以往的方法相比，该方法显著减小了模型尺寸，最高可达 100 倍，同时在分类任务上保持了具有竞争力的准确性。EFGCN 可实现高吞吐量和低延迟，使其适用于嵌入式系统，尤其是在汽车领域。
-
TinyML模型用于航天器网络安全分析
一篇新研究论文分析了TinyML模型在自主航天器网络安全威胁方面的性能。该研究侧重于像Random Forest和Logistic Regression这样的经典机器学习模型在检测各种网络射频攻击时的延迟-准确性权衡。结果表明，Logistic Regression提供了微秒级的推理能力，准确性仅略有下降，使其成为航天器自主运行的合适基线。
-
片上计算提升卫星地球观测效率
研究人员为实现卫星地球观测的节能型片上计算开发了一个新框架。该方法将 TinyML 技术与 Sony IMX500 智能视觉传感器集成，直接在传感器上处理数据，减少了传输原始数据的需求。该系统在 EuroSAT 数据集上实现了 96.68% 的准确率，同时运行在传感器的内存限制内并展示了高能效。
-
TinyML 模型实现设备端心律失常检测
研究人员开发了 ArrythML，一种使用自编码器模型的设备端心律失常检测 TinyML 方法。这些 INT8 量化模型专为资源受限的嵌入式系统设计，可在 ESP32-S3 微控制器上处理超过 95,000 个 ECG 片段。性能最佳的模型尺寸为 180 KB，推理延迟为 9 毫秒，达到了 84% 的召回率和 79% 的 F1 分数，展示了低功耗、注重隐私的可穿戴系统的潜力。
-
TinyML调查强调端侧学习的挑战
一篇新发表在arXiv上的调查论文，探讨了TinyML应用中端侧学习（ODL）的挑战。文章着重阐述了部署后数据分布的变化如何导致静态模型性能下降。该论文调查了约70项ODL相关工作，根据它们所解决的分布变化类型进行分类，并分析了这些变化对应用、硬件和解决方案结构的影响。研究指出，当前的ODL基准测试与实际部署场景之间存在显著差距。
-
Ariel-ML工具包支持在多核微控制器上进行基于Rust的并行神经网络推理
一个名为Ariel-ML的新工具包已被开发出来，用于使用嵌入式Rust在多核微控制器上自动化神经网络推理的并行化。该工具包旨在利用各种32位微控制器中存在的异构多核架构的能力，包括Arm Cortex-M、RISC-V和ESP-32系列。基准测试表明，与现有的解决方案相比，Ariel-ML实现了更低的推理延迟，同时保持了与使用C/C++的工具包相当的内存占用。
-
AI framework boosts energy efficiency for smart city environmental monitoring
研究人员开发了一个由人工智能驱动的框架，旨在提高智能城市中环境监测的能源效率。该系统利用支持TinyML的边缘设备，根据实时环境条件、传感器位置和剩余电池寿命动态激活传感器。通过减少不必要的传感和通信，该框架旨在延长传感器寿命并保持高监测覆盖率，这在城市规模的模拟中得到了证明。
-
研究人员开发基于浏览器和设备端的TinyML视觉训练
两篇研究论文详细介绍了直接在低成本微控制器上训练和部署机器学习视觉模型的新方法。其中一篇论文介绍了一个基于浏览器的应用程序，该应用程序支持完整的本地ML流程，能够实现不到十分钟的快速训练周期。另一篇论文则侧重于完全在设备端的C++实现，用于数据采集、CNN训练和实时推理，实现了9分钟的训练运行和6.3 FPS的推理。