Dec, 2017

DeepWear: 自适应本地卸载在可穿戴设备上的深度学习

PDF
TL;DR本文提出了 DeepWear，一种基于深度学习的智能穿戴设备框架，通过本地网络将深度学习任务从穿戴设备成功地迁移到其配对的手持设备以提高效能，并能够根据不同情境进行灵活迁移，同时比云端远程迁移更能保护隐私。DeepWear 提供各种新颖的技术，如环境感知迁移、策略模型分割和流水线支持，以充分利用附近手持设备的处理能力，而且操作简单，使用方便。在实际的 Android 智能手机和智能手表上实现 DeepWear，与仅使用穿戴设备和仅使用手持设备的策略相比，DeepWear 可以带来高达 5.08 倍和 23.0 倍的执行速度提升，以及 53.5% 和 85.5% 的节能效果。
发现论文，激发创造
  • 可穿戴传感器人类活动识别中的深度学习技术：进展综述

    本文系统分类总结了利用低功率传感器进行人体活动识别的深度学习方法及其发展趋势和主要挑战，同时介绍了深度学习驱动人体活动识别的尖端技术和未来方向。

    Oct, 2021

  • 利用高维计算技术实现可穿戴健康应用的高效个性化学习

    研究使用超高维计算的方法实现在可穿戴设备上进行个性化和隐私保护的机器学习，该方案提高了训练的效率，同时精度较高。

    Aug, 2022

  • 边缘云多用户推理编排的在线学习

    我们提出了一种基于强化学习的计算卸载解决方案，它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略，以最小化响应时间同时提供足够的准确性，我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35％的加速，并且最少仅有 0.9％的准确性降低，展示了我们在线学习框架在边缘计算及联云系统中编配深度学习推理的潜力。

    Feb, 2022

  • 增强工具磨损估计中的迁移学习能力的深度学习方法

    通过深度学习方法估计刀具磨损，在考虑切削参数的情况下，通过铣削实验评估模型的准确性和传递性，结果表明该方法在传递性和快速学习能力方面优于传统方法。

    Jul, 2024

  • 边缘设备上的分布式深度学习：通过自适应压缩实现可行性

    本研究提出了一种名为 adaComp 的新算法，结合了梯度选择和学习率调节，在分布式深度学习计算中实现了 worker 更新模型数据压缩，通过在模拟平台上嵌入 TensorFlow 到 Linux 容器中进行实验，并报告相对于标准异步随机梯度下降，在保持模型精度的同时，将工人发送到服务器的总数据量减少了两个数量级（例如，在 MNIST 数据集上的卷积网络中，减少了 191 倍）

    Feb, 2017

  • 移动健康自持穿戴设备的自适应能源管理

    本文研究了可穿戴设备可持续运营的问题，提出了一种自适应能源管理算法 AdaEM，使用机器学习方法学习用户活动和能源使用模型，并用动态鲁棒优化 (DyRO) 来优化能源管理决策，实验数据表明 AdaEM 能够达到接近最优解的效果。

    Jan, 2022

  • 利用可穿戴设备的机器学习模型自主识别认知能力较弱的老年人

    穿戴设备预测模型、认知损害、机器学习模型、预测特征、持续健康监测

    Aug, 2023

  • 智能眼镜中的任务卸载：增强体温升高的检测

    该论文研究了在智能可穿戴眼镜上进行的医疗监测应用的任务卸载场景，旨在识别最优的卸载条件，并评估了在现实环境下任务完成时间、计算能力和能量消耗等性能指标。研究重点关注在如机场等室内区域进行的特定用例，安全人员佩戴智能眼镜来检测个体的体温是否升高，从而可能表明患有 COVID-19。研究结果突出了在医疗环境中为可穿戴设备进行任务卸载的潜在益处，证明了其实用性与相关性。

    Aug, 2023

  • 佩戴式设备行为识别的深度 LSTM 学习器集成

    本文介绍了一种能够应用于人类活动识别领域的深度长短期神经网络模型，该模型使用集成学习方法来提升分类准确度，并在三个标准测试数据集上表现出了出色的识别能力，具有很好的实际应用价值。

    Mar, 2017

  • 面向协作智能友好的深度学习架构

    本文提出了一种新的协作智能友好型架构，通过将移动设备上计算的中间特征卸载到云端以降低需要发送到云端的数据量，使得在 ResNet-50 模型上，相比现有的云端计算方法，端到端延迟和移动能耗分别平均提高了 53 倍和 68 倍，而精度损失不到 2%。

    Feb, 2019