- BiomedBench:低功耗可穿戴设备的 TinyML 生物医学应用基准套件
通过提出 BiomedBench,一个新的基准套件,对于佩戴式设备实时监测患者的终端到终端的微小机器学习生物医学应用进行综合评估,并展示现有低功耗平台无法有效针对所有类型的生物医学应用,以推动整个生物工程系统和微小机器学习应用设计领域的未来 - TinyML 中基于设备学习的说话人验证
介绍了一种新型的自适应 TinyML 解决方案,可用于需要在设备上学习算法的任务,如识别 Tiny Speaker Verification,并在实际的物联网设备上测试了该解决方案。
- 基于设备的 TinyML 系统的在线学习和语义管理
近年来微型机器学习(TinyML)的最新进展为低占用嵌入式设备提供了实时的设备端机器学习能力。然而,TinyML 的实际实施面临着独特的挑战。本研究旨在弥合原型设计的单一 TinyML 模型与开发可靠的生产级 TinyML 系统之间的差距: - TGTM: 基于 TinyML 的高动态范围传感器全局色调映射
本研究论文介绍了一种基于小型机器学习的全局色调映射方法(TGTM),该方法在任意分辨率下的每个 RGB 图像上以 9,000 FLOPS 的计算速度操作,通过应用于图像直方图数据,实现了 HDR 图像的色调映射,结果表明 TGTM 在实际 - 唤醒视觉:用于 TinyML 人体检测的大规模、多样化的数据集和基准套件
通过介绍 Wake Vision 数据集,我们针对 TinyML 视觉感知的人员检测任务,提供了一种大规模、多样化的数据集,并在测试数据的特定段上提供了五个详细的基准集,以评估模型在挑战性现实场景中的性能,从而使得使用 Wake Visio - 面向资源受限环境的轻量级深度学习综述
在过去的十年中,深度学习在自然语言处理、计算机视觉和生物医学信号处理等各个人工智能领域中占据主导地位。虽然模型的准确性有了显著提高,但将这些模型部署在移动手机和微控制器等轻量设备上受到资源限制的制约。本调查报告针对这些设备提供全面的设计指导 - 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 - 基于强化学习优化的图像异常检测中的电池驱动 TinyML 系统模拟
通过使用强化学习算法优化系统操作和云异常处理,TinyML 启用的物联网系统在性能优化方面获得了较好的结果,相对于静态和动态优化方法分别提高了 22.86%和 10.86%的电池寿命。
- 面向威胁生命的室性心律失常检测的微小机器学习设计竞赛
本文介绍了 2022 年第一届 ACM/IEEE TinyML 设计竞赛(TDC),该竞赛集中于在植入式设备上实现基于人工智能 / 机器学习算法的实时检测算法,要求参赛者利用 NUCLEO-L432KC 等超低功耗单片机设计创新型算法以检测 - 网络边缘分层深度学习推断的案例
本文介绍了一种新的分层推理方法(hierarchical inference),旨在解决资源受限的边缘设备上深度学习推理的精度和开销问题,同时探讨了该方法在机器故障检测和图像分类应用中的可行性和优势。
- 微型机器学习领域中缺失的设备管理和网络连接性因素
TinyML 的部署需要面对硬件异构、MCU 架构、资源可用性等挑战,其中最关键的问题是网络连接性及互操作性,而 LwM2M 协议则可以解决这些挑战。
- TinyReptile:联邦元学习的 TinyML
TinyReptile 是一种基于元学习和在线学习的有效算法,能够在资源受限的微型控制器之间协作性地学习神经网络的坚实初始化,并且相比具有类似性能的基准算法,能够至少将资源减少和训练时间节省两倍。
- 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
- 模数作为计算机视觉应用中的激活函数的实证研究
本文提出了一种新的非单调激活函数 —— 模函数,在计算机视觉任务中使用该函数可以使模型相对于其他非线性函数具有更好的泛化能力,同时还能解决梯度消失和神经元失活问题,这种简单易用的函数对于 TinyML 和硬件应用尤其适用。
- RedMule:用于灵活、高能效的芯片线性代数和 TinyML 训练加速的混合精度矩阵乘操作引擎
该研究旨在解决 TinyML 场景下近传感器低功耗训练的挑战,并提出了一种低功耗特殊加速器 RedMulE,它支持 FP16 和混合 FP8 格式的多精度浮点通用矩阵乘法运算(GEMM-Ops)加速,并成功地使小型机器学习模型在低功耗设备上 - 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。
- 探测门猛烈关闭以监测家庭暴力早期迹象的可行性
使用低成本微控制器和 TinyML 技术,本研究创建了一个机器学习模型来检测家庭内部潜在的早期反社会行为预警。该模型使用卷积神经网络分析音频数据来判断门是否被强行关闭,准确度为 88.89%。并成功将该模型部署到了一块 Arduino Na - 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 - 如何在规模上管理微型机器学习:工业视角
本文提出了一个基于语义 Web 技术的框架,旨在管理 TinyML 模型和 IoT 设备的组合,包括建模信息、组合发现和基准测试,并支持 TinyML 组件的交换和再利用。作者设计了一个神经网络模型本体论,并以 W3C Thing Desc - 纯 C++ 中使用直接反馈对齐和口袋激活训练和推理神经网络的整数实现
该研究论文提出了一种使用整数操作进行 DNN 训练和推理的框架 “PocketNN”,并使用 “直接反馈对齐 (DFA)” 算法训练每一层,避免了整数溢出的问题,实验结果表明它在 MNIST 和 Fashion-MNIST 数据集上的准确性