May, 2024

基于卷积神经网络的人体检测和关键词识别的无触点电梯研究

PDF
TL;DR本研究提出了一种概念验证，用于最小化人为干预、提高安全性、智能性和效率的非接触式电梯运行系统。使用微控制器边缘设备执行微小机器学习（tinyML）推断，通过人员检测和关键词识别算法，系统提供成本效益高且稳健的单元，无需基础设施的重大改变。该设计在多租户框架中整合了预处理步骤和量化的卷积神经网络，以优化准确性和响应时间。结果表明，人员检测准确率为 83.34％，关键词识别效果为 80.5％，整体延迟时间低于 5 秒，表明在实际场景中具有有效性。与当前高成本和不一致的非接触技术不同，该系统利用 tinyML 提供了一种成本效益高、可靠且可扩展的解决方案，提高用户安全性和运行效率，无需重大基础设施改变。该研究显示了有前景的结果，但仍需要进一步探索可扩展性和与现有系统的集成。所展示的能效、简易性和安全性优势表明，tinyML 的采用可能会改变电梯系统，成为未来技术进步的模型。这项技术可以极大地影响多层建筑中的公共健康和便利性，通过减少身体接触和提高运行效率，在流行病或卫生关注的背景下尤其相关。
contactless elevator operation systemtiny machine learningperson detectionkeyword spottingcost-effective solution
发现论文，激发创造
  • 边缘实时视觉处理的超低功耗 TinyML 系统

    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

  • 关于 TinyML 和网络安全：电动车充电基础设施使用案例

    随着技术的进步，机器学习在网络安全中的应用变得越来越重要，而在资源受限环境下使用微型机器学习成为解决方案之一。本文综述了微型机器学习技术所面临的挑战，例如能量消耗、内存有限和计算约束，并探讨了相应的解决方案，如能量收集、计算优化技术和隐私保护的迁移学习。此外，本文讨论了微型机器学习在电动车充电基础设施（EVCI）的网络安全方面的应用，并通过实验案例研究表明，在降低延迟和内存使用方面，与传统机器学习相比，在精确性方面有轻微的折衷。并通过在 PlatformIO 环境中使用 ESP32 微控制器进行实际设置，对微型机器学习在 EVCI 网络安全中的应用进行了实践评估。

    Apr, 2024

  • 手势和视觉智能传感器的增量在线学习算法比较

    本文比较了四种最先进的算法在两个实际应用中的效果，其中之一是基于加速度计数据的手势识别，另一个是图像分类，结果证实了这些系统的可靠性和在微型存储器 MCUs 中部署的可行性。

    Sep, 2022

  • TinyML 综述

    本文探讨了如何将机器学习算法应用于低功耗廉价的物联网设备中，TinyML 作为将深度神经网络模型部署到嵌入式系统上的交叉领域，将为边缘服务和应用程序铺平道路。

    Nov, 2022

  • 利用具备隐私保护的分布式摄像头网络和边缘计算进行室内定位和多人跟踪

    本文提出了一个开源、低成本、可扩展和隐私保护的边缘计算框架，用于室内多人定位，其中包括多个 Tensor 处理单元 (TPU) 摄像头系统，配合基于 Kalman 滤波的多人跟踪方法和一种先进的身体方向估计方法，能够同时确定多人的位置和朝向，并保证了个人隐私，实现了优化的数据传输和存储以及可扩展性。

    May, 2023

  • TinyML: 工具、应用、挑战和未来研究方向

    综述了 TinyML 的背景、各种支持 TinyML 的工具、利用先进技术进行 TinyML 的最新应用以及未来研究方向，TinyML 是一种嵌入式 ML 技术，使 ML 应用程序能够在多个廉价、资源和功耗受限设备上运行

    Mar, 2023

  • 基于步态分析的实时人员识别

    通过使用低功耗模型，借助可穿戴设备在边缘进行实时步态识别，本研究成功地在 Arduino 上演示了作者的实时身份识别，从而强调了其功效，并为不久的将来在实际系统中应用提供了可行性证明。

    Apr, 2024

  • 拥挤场景下的端对端人体检测

    通过图像解码生成人员检测集合的模型，利用 LSTM 层进行序列生成，使用新的损失函数进行端到端的训练，并成功地解决了在拥挤场景中检测人员的挑战性任务。

    Jun, 2015

  • 面向机器学习的微型机器学习调查

    综述了 TinyML 的学习算法、系统实现工作流程、模型优化与设计、硬件设备和软件工具的特点，以及挑战和未来方向。

    Sep, 2023

  • 微型机器学习：进展与前景

    Tiny Machine Learning （TinyML）是机器学习的新领域。通过将深度学习模型应用于无数物联网设备和微控制器（MCU），我们扩大了人工智能应用的范围并实现了无处不在的智能。然而，由于硬件限制，TinyML 具有一定挑战性，因为内存资源有限，难以容纳为云和移动平台设计的深度学习模型；同时，裸机设备对编译器和推理引擎的支持有限。因此，我们需要对算法和系统栈进行共同设计，以实现 TinyML。在此综述中，我们首先讨论 TinyML 的定义、挑战和应用；接下来，我们调查了最近在 MCUs 上 TinyML 和深度学习的进展；然后，我们介绍了 MCUNet，展示了如何通过系统 - 算法共同设计，在物联网设备上实现 ImageNet 规模的人工智能应用；我们还将解决方案从推理扩展到训练，并介绍了小型设备上的训练技术；最后，我们展示了这个领域的未来发展方向。今天的大型模型可能成为明天的小型模型，TinyML 的范围应该随着时间的推移而不断发展和适应。

    Mar, 2024