潜在重放检测：基于任务自适应压缩的微控制器持续目标检测
计算机视觉与模式识别
2026-03-03 v1
摘要
在微控制器（MCU）上部署目标检测可实现智能边缘设备，但当前模型在部署后无法学习新目标类别。现有持续学习方法需要存储原始图像，远超 MCU 内存预算（仅几万字节）。我们提出 Latent Replay Detection（LRD），首个在 MCU 内存约束下实现持续目标检测的框架。我们的关键贡献包括：1. 任务自适应压缩：不同于固定 PCA，我们提出可学习的压缩方法，采用 FiLM（特征际线性调制）条件化，任务特定嵌入调制压缩，以保留每个任务分布的判别特征；2. 空间多样性示例选择：传统抽样忽略检测中关键的空间信息——我们通过 IoU 空间中最远点抽样选择示例，最大化边界框多样性，防止局部化偏差；3. MCU 可部署系统：潜在重放每个样本仅需 150 字节，而图像需超过 10KB，使 64KB 缓冲区可容纳 400+ 示例。在 CORe50（50 类，5 任务）上实验表明，LRD 在初始任务上实现 mAP@50，并在后续任务中保持强性能——显著优于朴素微调，同时满足严格的 MCU 约束。我们的任务自适应 FiLM 压缩与空间多样性示例选择协同工作，保留检测能力。部署在 STM32H753ZI、ESP32-S3 和 MAX78000 MCU 上，LRD 实现 4.9-97.5ms 每次推理，运行于 64KB 内存预算内，首次实现边缘设备上的实用持续检测。
引用
@article{arxiv.2603.00138,
title = {Latent Replay Detection: Memory-Efficient Continual Object Detection on Microcontrollers via Task-Adaptive Compression},
author = {Bibin Wilson},
journal= {arXiv preprint arXiv:2603.00138},
year = {2026}
}