使用 Sony Spresense 微控制器板实现了一个注视估计系统，研究了其在延迟、MAC / 周期和功耗方面的性能。此报告还提供了关于系统架构的见解，包括使用的注视估计模型。此外，演示了系统的功能和性能，我们的轻量级模型 TinyTrackerS 只有 169Kb 的大小，使用 85.8k 参数，在 Spresense 平台上以 3 帧 / 秒的速度运行。

Aug, 2023

本文介绍了一种超轻量级物体检测网络 TinyissimoYOLO，旨在为功耗为几毫瓦的边缘系统提供高度灵活且完全量化的解决方案，实验结果表明，该模型在不同参数下都表现出较好的性能，并且在多种超低功耗平台上展现出更高的能效和更低的推理延迟。

Jul, 2023

本文说明了在智能眼镜中设计和实现利用新型低功耗处理器的小型机器学习算法，以实现持续不间断运行。我们使用两个微控制器和蓝牙低功耗模块为研究平台设计了智能眼镜原型，集成了用于能耗和延迟评估的基于 YOLO 的小型深度学习模型 TinyissimoYOLO，并在原型上进行了评估，结果表明其具有良好的检测精度和能耗性能。

Nov, 2023

通过在芯片上存储全部功能和权重，完全消除了离线内存访问的延迟和能耗，并提出了一种应用特定的指令集，以实现敏捷开发和快速部署。实验表明，基于该模型、NCP 和指令集的 TinyML 系统在实现物体检测和识别时，取得了可观的准确度，并实现了纪录级的超低功耗，只有 160mW。

Jul, 2022

本文介绍了一种用于眼动追踪的神经形态学方法，利用由 Dynamic Vision Sensor（DVS）摄像头捕获的纯事件数据。该方法结合了一个经过直接训练的脉冲神经网络回归模型，并利用了一种先进的低功耗边缘神经形态学处理器 Speck，旨在提高眼动追踪系统的精确度和效率。

Dec, 2023

本研究旨在实现将深度学习模型直接部署在传感器上，提出了 “Q-Segment” 量化实时分割算法，并在两个低功耗边缘视觉平台上进行综合评估，该模型目标是实现基于血管的医学诊断的端到端图像分割。在 IMX500 平台上部署，Q-Segment 在传感器内仅需 1.9 毫秒的超低推理时间和仅需 5.7 毫焦耳的能耗。与现有网络相比较，该网络采用编码器 - 解码器结构与跳跃连接，性能优于给定的各平台 75 倍（相对于 ERFNet）。在 CHASE 数据集上，该网络具有 97.25% 的二进制准确率和 96.97% 的接收器操作特征曲线下的面积。此研究为边缘图像分割提供了有价值的见解，并为适用于低功耗环境的高效算法奠定了基础。

Dec, 2023

基于眼动追踪技术和 FPGA 数据流加速器的稀疏卷积神经网络系统拥有优秀的性能度量指标。

Apr, 2024

本文提出了一种在嵌入式系统上实现快速单视图深度估计的高效轻量级编码器 - 解码器网络架构，涉及深度感知、机器人任务以及神经网络等关键词。在使用 NVIDIA Jetson TX2 GPU 或仅使用 TX2 CPU 时，FastDepth 可以达到每秒 178 帧或每秒 27 帧，并保持低功耗，同时在 NYU Depth v2 数据集上达到接近业界最佳准确度，是目前作者所知道的实时单目深度估计最低延迟最高吞吐量的深度神经网络。

Mar, 2019

通过 Tiny and Efficient Edge Detector (TEED) 这个轻型的卷积神经网络模型，以低于 0.2% 的参数量及训练时间（少于 30 分钟）实现了高质量、高效率、泛化能力强的边缘检测。

Aug, 2023

本文介绍了 GazeCapture 这一大规模数据集，使用这一数据集训练了基于卷积神经网络的眼动预测模型 iTracker，实现了在移动设备上的实时眼动追踪。该模型能够达到较高的预测准确率，并具有广泛的泛化性能。

Jun, 2016