Tinyml
PulseAugur coverage of Tinyml — every cluster mentioning Tinyml across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
TinyML ECG个性化利用微控制器上的原型适配
研究人员开发了一种新颖的设备端心电图（ECG）系统个性化方法，解决了在不要求大量计算资源的情况下适应个体患者生理特征的挑战。提出的“仅原型头适配”技术利用了一个在离线训练并在PSoC 6微控制器上部署的紧凑型一维卷积神经网络。该方法通过高效计算类别均值实现患者特定适配，显著提高了心律失常检测的准确性，优于传统的微调方法，并且只需要最少的内存和处理能力。
-
ENAS 框架可在无 GPU 的情况下实现高效的 TinyML 模型搜索
研究人员开发了 ENAS，一个专为资源受限微控制器上的 TinyML 应用设计的高效硬件感知神经架构搜索 (NAS) 框架。与依赖 GPU 的方法不同，ENAS 无需 GPU 即可有效运行，并采用了混合搜索策略和持久化缓存。在各种微控制器上的 Visual Wake Words 和 Melanoma Cancer 基准测试中进行的评估表明，ENAS 实现了显著的搜索时间加速，并选择了具有较低峰值激活 RAM 的模型，这对于微控制器部署至关重要。
-
新的TGL-NSGA-II框架增强了TinyML神经网络架构搜索
研究人员开发了一个名为教师引导学习NSGA-II（TGL-NSGA-II）的新框架，以提高进化优化在Tiny Machine Learning（TinyML）神经网络架构搜索中的效率。该方法使用预训练的教师模型按难度和类别对候选样本进行分层，从而实现更专注、更高效的评估过程。通过采用上限知识蒸馏程序和高斯过程代理，TGL-NSGA-II显著降低了评估方差，并与传统方法相比实现了更快的搜索时间，在关键词识别和鸟叫分类任务上表现出改进的性能。
-
新的多出口TinyML方案提高了边缘AI效率
研究人员为边缘设备的TinyML系统开发了一种新颖的多出口计算方案，旨在提高能效和实时性能。该方法部署在GWT GAP9片上系统中，根据输入复杂度动态调整推理，与标准的固定深度模型相比，计算成本降低了41%，推理时间缩短了29%。该系统在准确性仅有微小损失的情况下实现了这些提升，在计算效率方面优于现有的自适应CNN。
-
INT8 量化使 TinyML 心电图模型缩小 60%
一项实验探索了 INT8 量化对用于心律失常检测的 TinyML 模型的影响。通过将数值精度从 32 位浮点 (FP32) 降低到 8 位整数 (INT8)，模型尺寸显著减小。这种压缩使得模型尺寸从 87.5 KB 减少到 34.6 KB，缩小了约 60%，同时实验旨在评估在不可接受的权衡出现之前，性能可以牺牲多少。
-
TinyML系统探索实例硬度以实现能源效率
研究人员提出了关于在TinyML系统中应用树深度剪枝实例硬度方法的新初步发现。该方法旨在降低资源受限设备上AI模型推理的计算成本和能耗。初步结果表明，通过控制一个阈值，可以在分类质量只有微小变化的情况下修改能耗，从而在准确性和计算需求之间取得平衡。
-
文本识别AI模型综述：挑战与未来方向
一项遵循PRISMA指南的最新文献综述，分析了2015年1月至2025年1月期间关于光学字符识别（OCR）机器学习模型的97项研究。该综述详细介绍了OCR领域AI模型的演变、应用领域和语言覆盖范围，强调了在处理不同文字和退化文档方面的进展。它还指出了持续存在的挑战，如代表性不足的语言资源有限以及手写文本的可变性，并提出了自监督学习、多模态AI和TinyML等解决方案以期未来改进。
-
TinyML 系统 PolyChirp 可实现多物种鸟类分类
研究人员开发了 PolyChirp，这是一种在低功耗声学传感器上使用 TinyML 对多种鸟类进行分类的新方法。该系统旨在克服先前仅限于单一物种二元分类的 TinyML 模型的局限性。PolyChirp 利用针对具有硬件加速功能微控制器进行了优化的新型微型多类别模型，能够同时稳健地检测多达 10 个物种。该系统在常见微控制器硬件上进行了性能评估，证明了其有效性，同时保持了适合长期现场部署的低内存占用、低延迟和低能耗。
-
TinyML系统性能与功耗特征详解
本文详细分析了部署在微控制器上的TinyML系统的性能和功耗。研究探讨了在神经网络模型、软件库、操作系统和硬件架构等不同抽象层之间的可编程性与效率之间的权衡。该研究提出了一个量化这些层相关成本的模型，并为优化提供了建议，旨在协助设计人员进行边缘设备的神经架构搜索和CNN推理优化。
-
新框架利用LLM为TinyML边缘设备选择可解释AI
研究人员开发了一个新的框架，用于为TinyML边缘设备选择可解释AI（XAI）方法，特别适用于临床应用。该框架利用大型语言模型（LLM）通过将定性利益相关者偏好映射到候选XAI方法来指导设计过程。然后，它采用基于Pareto的优化来揭示解释保真度、稳定性和部署成本之间的权衡，旨在识别资源受限环境下的高效解决方案。
-
生物调谐眼镜：隐形生物反馈界面利用边缘AI自适应环境
研究人员正在开发生物调谐眼镜（Bio-Tuning Glasses），这是一个实验性概念，旨在构建一个隐形生物反馈界面，根据用户的生理状态来调整其环境。与通常通知用户健康指标的可穿戴设备不同，这款眼镜旨在微妙地干预和修改环境，例如调整视觉刺激，而无需用户直接交互。该系统采用三层AI架构，包括用于即时响应的设备端边缘AI、用于情境自适应的智能手机以及用于长期学习和个性化的云端AI。
-
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。