Meta-Learning Framework Abilita Compressione Adattiva per Rilevamento Oggetti Continuo su Dispositivi con Vincoli di Memoria

Un nuovo framework di meta-learning chiamato Adaptive Hierarchical Compression (AHC) affronta la sfida di implementare il rilevamento continuo di oggetti su microcontrollori con vincoli di memoria inferiori a 100KB. A differenza delle strategie di compressione fisse come il condizionamento FiLM, l'AHC si adatta alle distribuzioni di compiti in evoluzione attraverso la discesa del gradiente, richiedendo solo cinque passaggi di loop interno per ogni nuovo compito. Il framework incorpora una compressione gerarchica multi-scala con rapporti specifici - 8:1 per P3, 6.4:1 per P4 e 4:1 per P5 - che si allineano con i pattern di ridondanza delle Feature Pyramid Network. Un'architettura a doppia memoria combina banchi a breve e lungo termine, impiegando un consolidamento basato sull'importanza entro il rigoroso budget di 100KB. Questo approccio mira a ottimizzare l'utilizzo della memoria e mitigare l'oblio catastrofico, offrendo garanzie teoriche formali. La ricerca, dettagliata nella preprint arXiv 2604.09576v1, si concentra sulla compressione efficiente delle feature per caratteristiche eterogenee dei compiti in ambienti con risorse limitate.