本研究提出了SpecReason方案，旨在解决推理时间中的高延迟问题。该方法通过轻量模型推测中间步骤，减少对重模型的依赖，实现了1.5-2.5倍的速度提升和1.0-9.9%的准确性提高。

本文探讨了深度学习在普适计算中的人类活动识别（HAR）技术，提出了多种模型和方法，包括使用图像传感器替代加速度传感器、轻量模型HART及自监督学习。研究表明，新型神经网络架构和数据注释技术能有效提高活动识别的准确性和效率。

本文综述高效人脸识别研究，涵盖轻量模型、模型压缩与合成数据，重点介绍MobileFaceNet改进、超网络生成个性化模型、MixFaceNets、EdgeFace及矢量量化，并涉及EFaR竞赛与百万级基准数据集，强调在低算力下保持高精度并减少偏见。

该文综述遥感影像实时语义分割，指出高效深度神经网络分割质量好但推理速度慢，限制实时部署。研究训练16种模型用于高分辨率卫星图像多类别分割，提出轻量模型1D-Justo-LiuNet，在海洋—陆地—云覆盖分割中准确率达0.93，参数仅4563个，但推理时间长达15秒。还发现应在L1b辐射计校准后分割，减少光谱通道至3可降低参数和推理时间，却牺牲性能。