ELASTIC：面向微控制器的目标检测高效全一次性迭代搜索

在TinyML平台上部署高性能目标检测器面临严峻挑战，由于硬件资源紧张以及现代检测管道的模块化复杂性。神经网络结构搜索（NAS）为实现自动化提供了路径，但现有方法要么仅限于单个模块的优化，牺牲跨模块协同性，要么需要全球搜索，计算不可行。我们提出了ELASTIC（Efficient Once for AlL IterAtive Search for ObjecT DetectIon on MiCrocontrollers），一个统一、硬件感知的NAS框架，在循环中交替优化不同模块（如主干、颈部和头部）。ELASTIC引入了演化搜索中的新型Population Passthrough机制，在搜索阶段之间保留高质量候选者，实现更快的收敛，最高可获得8%的最终mAP提升，并消除了在无Population Passthrough情况下观察到的搜索不稳定性。在受控比较中，实证结果显示，ELASTIC在SVHN数据集上实现比渐进NAS策略高出4.75%的mAP，收敛速度快2倍；在相同搜索预算下，在PascalVOC数据集上实现高出9.09%的mAP。ELASTIC在PascalVOC上实现72.3%的mAP，超越MCUNET高出20.9%，超越TinyissimoYOLO高出16.3%。在MAX78000/MAX78002微控制器上部署时，ELASTIC导出的模型在Analog Devices的TinySSD基线上表现更好，能耗降低最高可达71.6%，延迟降低最高可达2.4倍，mAP提升最高可达9.99个百分点。实验视频和代码已在项目网站（https://nail-uh.github.io/elastic.github.io/）上提供。