提出了一种新颖的自适应深度学习机制，用于有效执行基于视觉的人体姿势估计任务，以最大限度地利用纳米无人机上的极其有限资源，通过结合两种卷积神经网络、三种基于输出的时间一致性和辅助任务的新适应策略来实现。在真实世界数据集和实际纳米无人机硬件上，与仅执行更大且更精确的卷积神经网络模型相比，我们的最佳性能系统显示了 28% 的延迟减少，同时保持相同的平均绝对误差（MAE），3% 的 MAE 减少，并且绝对峰值性能，即比 SoA 模型好 6%。

Jan, 2024

本文介绍了一种用于小型自主飞行器（如无人机）的自主导航引擎，此引擎基于神经网络和并行低功耗计算平台 GAP8，可以使得纳米无人机在严格的实时约束下完整地执行复杂的深度卷积神经网络，以实现闭环端到端可视化导航，同时系统耗能相对较小，且不会对飞行结果进行任何妥协。

May, 2018

本文提出了一种基于边缘 - 雾计算的分布式执行方案，通过验证小型无人机上运行的随机子网络，以增强对云端计算的可靠性，同时提高了视觉位姿估计网络的性能和安全性。

Jul, 2023

微型自主纳米无人机可在狭窄受限的空间中进行视觉检查，确保较小的体积和重量（即几十克）以及更安全的人机交互；本研究通过 Tiny-PULP-Dronet 方法，在保持类似飞行性能的同时，将模型大小（参数减少 50 倍）和运算数量（乘加运算减少 27 倍）大幅压缩，从而降低成本助力纳米无人机实现多任务处理和高级智能。

Jul, 2024

基于低分辨率相机和超低功耗车载 SoC 的垂直集成系统，通过全卷积神经网络（FCNN）在纳米无人机之间背对背的相对姿态估计方面取得了显著改进。

Feb, 2024

本研究提出了一种通过深度神经网络解决双对等纳米无人机的单目相对定位的新型自治端到端系统，从数据集收集到最终的实地部署，包括数据集增强、量化和系统优化。实验结果表明，我们的 DNN 可以通过使用低分辨率单色图像，在最多 2 米的距离内精确定位 10 厘米大小的目标纳米无人机，系统精度达到 15 厘米，控制误差为 17 厘米，实现了长时间跟踪，具有泛化能力，每秒运行速度为 48Hz，仅需 95mW 的最小功耗。

Mar, 2023

农民在农产品产量期间面临的最大挑战之一是与昆虫害虫的斗争。为了解决这个问题并避免经济损失，需要及时采取预防措施，而这需要以简单而有效的方式鉴别昆虫害虫。本文对主要基于名为 IP102 的健壮数据集的迁移学习与微调，注意力机制和自定义架构等不同方法进行了广泛的实验，并展示了另一个数据集 D0 的示例来展示我们实验技术的健壮性。

Oct, 2023

通过使用深度神经网络进行视觉姿态估计任务的新型自动优化流程，本研究针对小型自主无人机的智能化实现提出了两种不同的神经架构搜索算法，采用一套新颖的软件核心，通过并行超低功耗的片上系统在现成的纳米无人机上执行关键深度神经网络层序列，成功提高了当前技术水平并将推理延迟降低高达 3.22 倍。

Feb, 2024

提出一种深度学习模型 InsectNet，以应对昆虫识别在实际环境下的挑战，并能准确识别超过 2500 种节肢动物物种，包括有害害虫、寄生虫、食草动物和掠食动物，并可指导公民科学数据收集。

Jun, 2023

通过在纳米无人机上进行设备学习，我们提出了解决领域转换问题的方法，并在实施中取得了重要进展。

Mar, 2024