XiaoMi-AI文件搜索系统
World File Search System轻量级
伊朗气候中热量的益处减少
热量，这是建筑物性能中的关键元素，可作为室内热缓冲液。文献强调了其优势，但气候变化的持久质量影响仍然不确定。这项研究有条不紊地评估了当代和未来气候的21个伊朗城市的热质量影响，并将重量级和轻量级的结构置。EPSAP算法是一种生成建筑物设计方法，创建了一个两层楼单户住宅的数据集。在EnergyPlus中评估了冷却和加热需求，这是当前和将来的系统设计效率。使用EC-EARTH3模型估算的SSP5-8.5方案和2080个时间表模拟未来的气候。调查结果表明，重量级高于轻量级建筑的能源效率优势将减少高达0.60kWÅH·m -2
topcon hiper xr
hiper XR的轻量级设计可确保毫不费力的便携性，使专业人员可以在不同的工作网站上有效地工作。其多构造支持通过同时跟踪多个卫星系统，即使在复杂的条件下，可以确保可靠的数据，从而提供了提高的准确性。
高效 CNN 加速器的设计和实现......
近年来，卷积神经网络（CNN）凭借其出色的特征提取能力在图像识别、工业故障检测、无人驾驶等领域得到了广泛的应用。然而，传统的 CNN 模型 [1, 2, 3] 具有大量的参数，难以部署在资源受限的嵌入式设备上。因此，随着 CNN 的应用需求不断增加，如何简化 CNN 模型并有效地将其部署到嵌入式设备上成为了新的研究热点。使用轻量级 CNN 模型，例如 Xception [4]、MobileNet [5, 6, 7] 和 ShuffleNet [8]，是在准确率损失不大的情况下显着减少参数数量的有效方法。此外，使用低比特数据量化方法[9，10，11]可以将32比特数据量化为8比特甚至更低，大大减小了CNN模型的大小。因此，结合这两种方法对轻量级CNN模型进行低比特数据量化，为实现CNN模型提供了一种计算友好的算法解决方案。在各类嵌入式设备中，FPGA在功耗和灵活性之间提供了更好的权衡，成为实现CNN的一种有吸引力的解决方案。然而，轻量级CNN模型包含多种核大小，这对基于FPGA的CNN加速器的设计提出了挑战。大多数现有设计[12，13，14，15，16，17，18，19，20，21]可以有效处理具有某些特定核大小的卷积。然而，
Ascon v1.2。提交给 NIST
在本文中，我们介绍了密码套件 Ascon，它提供了带关联数据的认证加密 (AEAD) 和散列功能。该套件由认证密码 Ascon -128 和 Ascon -128a 组成，它们已被选为 CAESAR 竞赛最终组合中轻量级认证加密的首选，还有一种新变体 Ascon -80pq，可以增强对量子密钥搜索的抵抗力。此外，该套件还包括散列函数 Ascon-Hash 和 Ascon-Hasha ，以及可扩展输出函数 Ascon-Xof 和 Ascon-Xofa 。NIST 的建议包括 Ascon -128 与 Ascon-Hash 的组合或 Ascon -128a 与 Ascon-Hasha 的组合。所有方案都提供 128 位安全性，并在内部使用相同的 320 位排列（具有不同的轮数），因此单个轻量级原语足以实现 AEAD 和散列。
执行限制 12 演示 2024 年 5 月
● “Every Employee Connected” 计划将更新周期结束后的笔记本电脑安装到轻量级 ChromeFlex 操作系统 (OS) 中，使这些设备可供支持人员重复使用，同时延长设备的使用寿命。在本学年的第一阶段，FCPS 已将 2,000 多台设备重新部署给交通、食品和营养服务以及其他团队的运营人员。
AI-deck 数据表 - Rev 3
AI-deck 通过 GAP8 扩展了计算能力，并将使基于人工智能的复杂工作负载能够在机上运行，并有可能实现完全自主导航功能。ESP32 增加了 wifi 连接，可以传输图像以及处理控制。我们相信，这种轻量级和低功耗的组合为微型 Crazyflie 2.X 无人机开辟了许多研发领域。
数据表 AI-deck 1.1 - Rev 1
AI-deck 1.1 通过 GAP8 扩展了计算能力，并将使基于人工智能的复杂工作负载能够在机上运行，并有可能实现完全自主的导航能力。ESP32 增加了 wifi 连接，可以传输图像以及处理控制。我们相信这种轻量级和低功耗的组合为微型 Crazyflie 2.X 无人机开辟了许多研发领域。
使用残留自动编码器
本文提出了一个有效的轻量级深空自动编码器（SRAE）模型，以检测视频监视系统中的异常事件。在时间至关重要的实时情况下，轻量级网络至关重要。此外，它可以部署在嵌入式系统或移动设备等低资源设备上。这使其成为现实情况可能缺乏资源的现实情况的方便选择。所提出的网络包括一个三层残留的编码器架构，该架构采用来获取视频中正常事件的显着空间特征。然后，重建损失被用于发现异常情况，其中正常框架的重建良好而重建损失较低，而异常的帧被发现相反。该模型的效率由两个基准数据集测试，加利福尼亚大学圣地亚哥大学（UCSD）行人2（PED 2）和CUHK Avenue，分别为两个数据集实现了AUC≈95％和81％。因此，其性能被证明与最先进的模型相媲美。