In recent years, convolutional neural network (CNN) based methods have achieved great success in a large number of applications and have been among the most powerful and widely used techniques in computer vision. However, CNN-based methods are com-putational-intensive and resource-consuming, and thus are hard to be integrated into embedded systems such as smart phones, smart glasses, and robots. FPGA is one of the most promising platforms for accelerating CNN, but the limited bandwidth and on-chip memory size limit the performance of FPGA accelerator for CNN.

Vehicular ad hoc network (VANET) is an emerging new technology integrating ad hoc network, wireless LAN (WLAN) and cellular technology to achieve intelligent inter-vehicle communications and improve road traffic safety and efficiency. VANETs are distinguished from other kinds of ad hoc networks by their hybrid network architectures, node movement characteristics, and new application scenarios. Therefore, VANETs pose many unique networking research challenges, and the design of an efficient routing protocol for VANETs is very crucial. In this article, we discuss the research challenge of routing in VANETs and survey recent routing protocols and related mobility models for VANETs.

The extensive computational burden limits the usage of CNNs in mobile devices for dense estimation tasks. In this paper, we present a lightweight network to address this problem, namely LEDNet, which employs an asymmetric encoder-decoder architecture for the task of real-time semantic segmentation. More specifically, the encoder adopts a ResNet as backbone network, where two new operations, channel split and shuffle, are utilized in each residual block to greatly reduce computation cost while maintaining higher segmentation accuracy. On the other hand, an attention pyramid network (APN) is employed in the decoder to further lighten the entire network complexity. Our model has less than 1M parameters, and is able to run at over 71 FPS in a single GTX 1080Ti GPU. The comprehensive experiments demonstrate that our approach achieves state-of-the-art results in terms of speed and accuracy trade-off on CityScapes dataset.

Delay tolerant networks (DTNs) may lack continuous network connectivity. Routing in DTNs is thus challenging since it must handle network partitioning, long delays, and dynamic topology in such networks. In recent years, social-based approaches, which attempt to exploit social behaviors of DTN nodes to make better routing decision, have drawn tremendous interests in DTN routing design. In this article, we summarize the social properties in DTNs, and provide a survey of recent social-based DTN routing approaches. To improve routing performance, these methods either take advantages of positive social characteristics such as community and friendship to assist packet forwarding or consider negative social characteristics such as selfishness. We conclude by discussing some open issues and challenges in social-based approaches regarding the design of DTN routing protocols.

Internet of Things (IoT) and blockchain (BC) technologies have been dominating their respective research domains for some time. IoT offers automation at the finest level in different fields, while BC provides secure transaction processing for asset exchanges. The capability of IoT devices to generate transactions prompts their integration with BC as the next logical step. The biggest challenges in this integration are the scalability of ledger and rate of transaction execution in BC. On one hand, due to their large numbers, IoT devices will generate transactions at a rate which current block chain solutions cannot handle. On the other hand, implementing BC peers onto IoT devices is impossible due to resource constraints. This prohibits direct integration of both technologies in their current state. In this paper, we propose a solution to address these challenges by using a local peer network to bridge the gap. It restricts the number of transactions which enters the global BC by implementing a scalable local ledger, without compromising on the peer validation of transactions at local and global level. The testbed evaluations show significant reduction in the block weight and ledger size on global peers. The solution also indirectly improves the transaction processing rate of all peers due to load distribution.

Blockchain applications have shown huge potential in various domains. Proof of Work (PoW) is the key procedure in blockchain applications, which exhibits the memory-bound characteristic and hinders the performance improvement of blockchain accelerators. In order to mitigate the "memory wall" and improve the performance of memory-hard PoW accelerators, using Ethash as an example, we optimize the memory architecture from two perspectives: 1) Hiding memory latency. We propose specialized context switch design to overcome the uncertain cycles of repetitive memory requests. 2) Increasing memory bandwidth utilization. We introduce on-chip memory that stores a portion of the Ethash directed acyclic graph (DAG) for larger effective memory bandwidth, and further propose adopting embedded NOR flash to fulfill the role. Then, we conduct extensive experiments to explore the design space of our optimized memory architecture for Ethash, including number of hash cores, on-chip/off-chip memory technologies and specifications. Based on the design space exploration, we finally provide the guidance for designing the memory-bound PoW accelerator. The experiment results show that our optimized designs achieve 8.7% -- 55% higher hash rate and 17% -- 120% higher hash rate per Joule compared with the baseline design in different configurations.

Organophosphorus pesticides (OPs) residues in agricultural products such as vegetables, fruits, and grains pose a threat to food safety and human health. In this work, a novel and highly sensitive electrochemical biosensor was developed for OPs residues detection in real sample, based on the immobilization of acetylcholinesterase (AChE) by electrostatic adsorption on a glassy carbon electrode (GCE) modified with composite nanomaterials of porphyrin-based covalent organic frameworks (p-COFs) loaded by gold nanoparticles (AuNPs) and poly (diallyldimethylammonium chloride) (PDDA). Due to the synergistic effect of p-COFs, AuNPs and PDDA, the fabricated biosensor displayed the remarkable properties with the high electrocataytic activity, and excellent biocompatibility, resulting in a significant signal amplification of as-prepared biosensor. Under optimized conditions, the biosensor showed excellent sensing performances for the detection of methyl parathion (MP), with wide linear ranges from 1.9 × 10−9–3.8 × 10−5 M and a low detection limit as low as 2.3 × 10−10 M, as well as the satisfactory selectivity, excellent reproducibility, anti-interference properties and good stability. It was also successfully applied to the monitoring of MP content in vegetables and fruits, which may be explore a new opportunity for the potential utilization in analysis field.

The recently introduced complex-valued convolutional neural network (CV-CNN) has shown considerable advancements for polarimetric synthetic aperture radar (PolSAR) image classification by effectively incorporating both magnitude and phase information. However, a solitary 2D or 3D CNN encounters challenges such as insufficiently extracting scattering channel dimension features or excessive computational parameters. Moreover, these networks’ default is that all information is equally important, consuming vast resources for processing useless information. To address these issues, this study presents a new hybrid CV-CNN with the attention mechanism (CV-2D/3D-CNN-AM) to classify PolSAR ground objects, possessing both excellent computational efficiency and feature extraction capability. In the proposed framework, multi-level discriminative features are extracted from preprocessed data through hybrid networks in the complex domain, along with a special attention block to filter the feature importance from both spatial and channel dimensions. Experimental results performed on three PolSAR datasets demonstrate our present approach’s superiority over other existing ones. Furthermore, ablation experiments confirm the validity of each module, highlighting our model’s robustness and effectiveness.

We proposed a unique wire-production process by rolling up and drawing chemical vapor deposition copper/graphene (Cu/Gr) foils, and a good strength-conductivity trade-off was achieved originating from the dispersed Gr in Cu matrix and the high-quality heterointerfaces. The 1.14 mm cold-drawn composite wires exhibited a tensile strength of 455 ± 5 MPa and a conductivity of 98.18 ± 0.16 % of the International Annealed Copper Standard (IACS), and the tensile strength was 250 ± 2 MPa with a satisfied electrical conductivity of 101.68 ± 0.52 % IACS upon annealing. The microstructure involution during the preparing process was revealed, and the reinforcement mechanisms in the yield strength and conductivity due to the introduced Gr were clarified. The results indicated that the Gr plays a role in pinning dislocations and preventing grain boundary movement during deformation and the subsequent annealing, thereby enhancing the strength of the Cu matrix. Meanwhile, the Cu-Gr coupling interfaces exhibited an electronic doping effect, enhancing the conductive properties. Our work presented a feasible method for preparing Cu/Gr composite wire with comprehensive electrical conductivity and strength optimization.

To address the challenge of grasping carbon emission costs in different dispatching cycles under multiple time scales of the Integrated Energy System (IES), a carbon-constrained multi-time scale optimization method for integrated energy systems is proposed. First, a novel mechanism was proposed, Carbon Constraint Mechanism, which includes carbon tax, green certificate trading, and tiered carbon trading mechanism. Second, the carbon constraint mechanism was introduced into multi time scale scheduling optimization, and an IES multi time scale low-carbon optimization scheduling model was established. Third, the economic cost, carbon emissions, and primary energy consumption were considered as objective functions in multi-objective optimal scheduling. Moreover, utilized day ahead scheduling results and real-time load forecasting to dynamically adjust the output power of IES equipment in combination with power change penalties and carbon constraints. The simulation results showed that, compared to dispatch optimization strategies that solely prioritized economy, this study reduced carbon emissions by 28.38% across multiple time scales while enhancing the economic performance of IES by considering carbon constraints. The multi-time scale dispatch optimization, incorporating carbon constraint mechanisms, improved the system's stability and low-carbon economy, proving the feasibility and effectiveness of the proposed optimal dispatch strategy.