摘要：在可穿戴式跌倒检测终端中部署微型机器学习模型,存在计算力弱、内存受限和传统机器学习算法手动选取特征不完善等问题,提出一种基于惯性传感器的轻量化卷积神经网络跌倒检测算法,设计并实现了高精度可穿戴式跌倒检测系统。该算法自动从跌倒数据中提取更完善的数据特征和采用深度方向可分离卷积,将标准卷积分解成深度方向卷积和点方向卷积,在只失去0.2%跌倒检测精度下,卷积层参数量减少75.32%,使之更适于资源受限的嵌入式终端中部署。实验结果表明该算法在实际跌倒测试环境中,平均准确率、敏感度和特异性分别达到了99.29%、98.00%和100.00%。该算法相比其他算法既减少了模型大小和计算量,又保证了跌倒检测精度,该系统的成功研发为老年人跌倒检测与报警提供了新的途径。

摘要：为了解决云端机器学习在成本、延迟、可靠性、隐私等方面的问题,运用微型机器学习(Tiny Machine Learning,TinyML)技术,利用TensorFlow机器学习平台,实现了语音数据集的导入、预处理并通过短时傅里叶变换生成频谱图和分类;在PC端构建深度学习网络,对频谱图进行机器学习训练,对模型进行验证和评估;将评估性能良好的模型进行转化,生成适合微控制器运行的TFLite模型文件,实现语音关键词在微控制端的采集、推断、识别,并驱动控制小车行进。

摘要：针对国内宠物用品市场产品功能单一的问题,设计了一款可以识别猫咪奔跑、跳跃、翻转3种运动状态的设备。借助开源电子平台Arduino,使用陀螺仪和加速度传感器对猫咪的运动状态数据进行采集,并使用深度学习框架TensorFlow进行训练,通过微型机器学习(Tiny Machine Learning,TinyML)技术压缩模型参数,使模型部署到开发板上。通过试错法找到训练效果最佳的模型结构,最终实现对猫咪运动状态识别的准确率达到90%以上。

摘要：从微型机器学习的定义、优点、当前存在问题等方面做简要介绍;从专属或通用的微型机器学习部署方式、基于ARM Cortex M或者RISC V的微处理器设计、基于神经架构搜索的部署算法等方面存在的问题进行讨论,并介绍研究现状。对微型机器学习的未来发展进行展望,认为未来需要功能齐全的微型机器学习部署框架、硬件研究更多是基于RISC V与硬件神经网络加速单元组成微处理器,并探讨如何提高搜索效率、减少神经架构搜索的耗时等。最后在上述基础上针对如何完善和发展微型机器学习生态提出思考。