DenseScout：面向边缘平台的预算化小目标选择算法-系统联合设计

在边缘平台上部署小目标感知具有挑战性，因为实际系统必须满足严格的计算预算和端到端时延约束。常见策略是首先从高分辨率图像中选择少数候选 patch，然后仅对选中区域应用后续处理。然而，现有基于检测器的前端与该设置不够匹配：强大的离线检测精度并不一定能有效实现低预算的 patch 优先级排序，也不保证在传输和推理延迟考虑后获得可用性能。本文从算法-系统视角研究边缘平台上的预算化小目标选择问题。我们提出 DenseScout，一个仅需 101 万参数的轻量级稠密响应选择器，直接通过轻量代理输入对高分辨率场景中的候选 patch 位置进行排序，比基于检测器的前端更符合低预算小目标优先级选择。为桥接离线选择器质量与可部署实用性，我们进一步开发了针对异构边缘设备的传输感知运行时实现，并采用受 QoS 约束的召回率评估——仅当选中区域覆盖目标且端到端处理在截止时间内完成时，才计为成功感知。实验表明，DenseScout 在离线预算化 patch 选择评估中始终优于基于检测器的基线方法，尤其在低预算场景下表现更佳；而在 RK3588 和 Jetson Orin NX 跨平台实验中显示，可部署性能取决于选择器质量与运行时实现效率的联合作用。这些结果表明，边缘小目标感知应作为算法-系统联合设计问题，而非孤立的模型选择问题来优化。