ACM通信
ACM TechNews
微型ML设计缓解物联网设备的内存使用瓶颈
tinyML视觉系统在许多图像分类和检测任务上优于其他模型。
图片来源:宋汉等人
美国麻省理工学院(MIT)的研究人员提出了一种机器学习(ML)方法，以减少物联网(IoT)设备所需的内存量。
研究人员通过分析运行卷积神经网络的微控制器上的内存使用，提高了TinyML软件的效率;他们应用了一种新的推理技术和神经结构来解决由不平衡的内存使用引起的瓶颈，将峰值内存使用减少了4到8倍。
当部署在下一代MCUNetV2 tinyML视觉系统上时，该方法比运行在微控制器上的其他ML技术更准确。
麻省理工学院的宋汉(音)表示:“在没有(图形处理单元)或任何专门硬件的情况下，我们的技术非常微小，可以在这些小型廉价物联网设备上运行，并执行诸如视觉唤醒词、口罩检测和人员检测等现实应用。”“这为开发微型AI和移动视觉的全新方式打开了大门。”
从麻省理工学院的新闻
查看全文
版权所有©2021SmithBucklin，美国华盛顿特区
没有发现记录