XiaoMi-AI文件搜索系统
World File Search SystemTiny
2型糖尿病中心血管疾病风险的模式和决定因素：尼日利亚当前糖尿病管理状态的见解增强微型对象检测而无需微调：具有最新YOLO模型和RT-DETR Transformer
高分辨率图像中的微小对象检测（TOD）在计算机视觉中提出了持续的挑战，包括低分辨率，遮挡和混乱的背景。本文介绍了动态自适应引导的对象推理切片（GOIS）框架，这是一种新型的两阶段自适应切片方法，该方法将计算资源转移到了感兴趣的区域（ROIS）。这种方法显着提高了检测精度和效率，在平均精度（AP）和小物体的平均回忆（AR）指标方面取得了3-4倍的改善。此外，该框架在其他指标中显示出50–60％的大量增长，从而确保了各种物体尺度的稳健性能。在特定的情况下注意到大型检测的略有下降，但戈伊斯在检测中小型物体方面始终表现出色，有效地解决了TOD固有的关键挑战。戈斯框架可以通过统一的效率和稳定的效率来整合自适应切片，多尺度的表示，以及启发了效率的效果。其体系结构 - 不合骨设计允许与包括Yolo11，Rt-Detr-L和Yolov8n在内的各种最新检测模型无缝集成，而无需大量的重新训练。对Visdrone2019-DET数据集进行了严格的验证，并通过对低分辨率图像，视频流和实时相机供稿进行评估，重点介绍了Gois的变革潜力。这些发现将其适用于关键领域，例如基于无人机的监视，自主导航和精确的Di-Nostics。代码和结果可在https：// github上公开获取。com/ mmuzammul/ gois，可在https：// youtu上进行实时演示。BE/ T5T5EB_ W0S4。
冰川跳蚤：高山气候变化的微小见证
故事《冰川跳蚤游戏》是使气候变化与儿童相关的有效工具。这种互动活动引入了冰川跳蚤，这是一种在冰川冰上繁衍生息的当地昆虫，以证明冰川撤退如何威胁其栖息地。与远处的符号（例如北极熊）不同，冰川跳蚤可以帮助儿童将气候变化与周围环境联系起来，从而促进了对当地和全球环境影响的认识。以奥地利最大的冰川冰川的戏剧性背景为背景，这种学习场景结合了讲故事，娱乐和动手活动。它强调了温度上升如何导致冰融化，危害各种物种的栖息地，冰川跳蚤是更广泛的生态挑战的象征。
自然界的微小化学家：微生物作为下一代活性药物成分 (API) 的来源
Md. Fakruddin 1*、Musarrat Jahan Prima 2、Tanwy Chowdhury 1、Umme Tamanna Ferdous 3、Jinia Afroz 4、Md. Asaduzzaman Shishir 5 摘要背景：活性药物成分 (API) 是为药物提供治疗功效的基本成分，但传统的发现方法在创新性和多样性方面有限，阻碍了新型疗法的开发。这导致人们对微生物物种作为生物活性化合物来源的兴趣重新燃起，特别是当制药行业面临 API 采购停滞和传统提取方法带来的环境问题时。方法：本综述讨论了微生物（包括细菌、真菌、藻类和古菌）作为 API 来源的潜力。探索涉及分析微生物多样性、生物合成途径以及基因工程、合成生物学和宏基因组学等生物技术的进步。该综述还重点介绍了传统的基于培养的技术和当代高通量筛选方法，这些方法用于微生物 API 的发现。结果：研究结果表明，微生物具有复杂的代谢过程，能够产生多种生物活性化合物。遗传分析和
BiomedBench：适用于低功耗可穿戴设备的 TinyML 生物医学应用基准套件
摘要 — 近几十年来，随着芯片制造技术的进步，使用 mW 范围内的低复杂度 ML 可以实时监测患者，生物医学领域的低功耗可穿戴设备的设计受到了广泛关注。尽管应用和硬件设计研究取得了进展，但该领域缺乏系统的硬件评估方法。在这项工作中，我们提出了 BiomedBench，这是一个新的基准套件，由完整的端到端 TinyML 生物医学应用程序组成，用于使用可穿戴设备实时监测患者。每个应用程序在典型的信号采集和处理阶段都有不同的要求，包括不同的计算工作量以及活动时间和空闲时间之间的关系。此外，我们对五个最先进的低功耗平台的能效评估表明，现代平台无法有效地针对所有类型的生物医学应用。BiomedBench 作为开源套件发布，旨在标准化硬件评估并指导 TinyML 可穿戴领域的硬件和应用程序设计。
tinylidarnet：基于第2 f1th自主赛车的端到端深度学习模型
摘要 - 先前的研究证明了端到端深度学习对机器人导航的有效性，其中控制信号直接源自原始感觉数据。但是，大多数现有的端到端导航解决方案主要基于相机。在本文中，我们介绍了Tinylidarnet，这是一种基于自动赛车的基于轻量级的2D激光雷达的端到端深度学习模型。使用Tinylidarnet的第1辆汽车在第12场比赛中获得第三名，这表明了其竞争性能。我们会系统地分析其在未经训练的轨道和实时处理的计算要求上的性能。我们发现，基于Tinylidarnet的1D卷积Neu-ral网络（CNN）的体系结构显着胜过基于多层的多层感知器（MLP）体系结构。此外，我们表明它可以在低端微控制器单元（MCUS）上实时处理。
通过微型神经网络实现移动存储中节省空间的 FTL
摘要 我们提出了 RQFTL，一种用于移动存储控制器的基于需求的 FTL，与最先进的技术相比，它可以提高有效的逻辑到物理 (L2P) 地址转换缓存容量。RQFTL 以压缩形式存储大部分 L2P 缓存，并采用一种名为 RQRMI 的学习数据结构，该结构利用微型神经网络快速找到缓存中的正确转换条目。RQFTL 使用神经网络推理进行缓存查找，并快速重新训练神经网络以有效处理 L2P 缓存更新。它经过专门优化，可实现对分散读取访问的高覆盖率，使其适用于移动游戏等流行的读取倾斜工作负载。我们根据 Google Pixel 6a 手机上收集的流行现代移动应用程序（包括游戏、视频编辑和社交网络应用程序）的长达数小时的真实 I/O 跟踪来评估 RQFTL。我们表明，在这些工作负载中，RQFTL 的表现优于所有最先进的 FTL，与 DFTL 相比，其有效 L2P 缓存容量提高了一个数量级以上，比最近的 LeaFTL 提高了 5 倍。因此，在相同的 SRAM 容量下，它与 DFTL 和 LeaFTL 相比分别实现了 65% 和 25% 的低失效率，并且允许将控制器的总 SRAM 容量减少到 LeaFTL 的三分之一左右。
Tinyml实施的挑战：文献综述
这项研究旨在使微小的机器学习（Tinyml）实施文献敏感和总结。Tinyml是机器学习（ML）的子集，它专注于在资源约束设备（例如微控制器，嵌入式系统和物联网（IoT）设备）上实现ML模型。对过去十年在该领域发表的作品进行了系统的文献综述。本文的重点是了解这项新兴技术面临的关键挑战。我们提出了Tinyml的五个重大挑战，即有限和动态资源，异质性，网络管理，安全和隐私以及模型设计。对ML，IoT和Edge计算领域感兴趣的研究人员和从业人员将感兴趣。
人工智能技术在水环境中的应用：从基础技术到新型微型机器学习系统
1 萨凡纳州立大学工程技术系，3219 College St, Savannah, GA 31404, 美国。 2 伊朗塔布里兹大学电气与计算机工程系，29 Bahman Blvd.，塔布里兹大学。邮政编码：51666-16471 3 伊朗伊拉姆大学化学工程系，Pajoohesh Blvd, Ilam，伊朗。邮政编码：69391-77111 4 KN Toosi 理工大学土木工程系，No. 1346，Valiasr
