SatoriDB是一个用Rust编写的嵌入式向量数据库，类似于SQLite，便于部署。它采用双层设计以优化性能，并支持异步I/O。另一个项目是植物病害检测AI，基于Burn框架，体积小、推理快，适合离线使用。

本研究提出了一种无线协作推理框架，旨在提高植物病害识别的速度和准确性。通过边缘设备与云服务器的协作，结合深度强化学习优化深度神经网络，实验证明该框架在加快推理速度的同时保持了良好的识别精度，为植物病害的快速诊断和防治提供了新方案。

该研究使用区域卷积神经网络和基于注意力机制的网络解决了训练数据和测试数据分布不一致的问题，实现了对叶片上病斑或健康区域的特征学习。测试集上的平均分类准确率达到95％，未见过的数据集上平均得分为84％。

通过研究植物病理学的深度学习方法，提出了一种名为GSMo-CNN的新模型，并在三个基准数据集上进行了实验，结果表明其性能优于其他模型，达到了最先进的水平。

研究者提出了一种名为GSMo-CNN的新模型，在三个基准数据集上进行了实验。结果显示，该模型在性能上优于其他模型，并证实单一模型的使用可以与或优于使用两个模型。最终，该模型在三个基准数据集上达到了最先进的性能。