AHC: Adaptives Kompressionsverfahren für Objekterkennung auf Mikrocontrollern

Die kontinuierliche Objekterkennung auf Mikrocontrollern mit weniger als 100 KB Speicher stellt eine enorme Herausforderung dar: Die Feature‑Kompression muss nicht nur extrem effizient sein, sondern sich auch dynamisch an neue Aufgaben anpassen können. Traditionelle Ansätze setzen auf feste Kompressionsstrategien wie FiLM‑Conditioning, die bei heterogenen Aufgabencharakteristiken zu suboptimaler Speicher­ausnutzung und katastrophalem Vergessen führen.

Adaptive Hierarchical Compression (AHC) löst dieses Problem mit einem Meta‑Learning‑Framework, das drei zentrale Innovationen kombiniert. Erstens nutzt AHC echte MAML‑basierte Kompression, die sich in nur fünf inneren Schleifen-Schritten an jede neue Aufgabe anpasst. Zweitens bietet ein hierarchisches, mehr‑Skalen‑Kompressionsmodell skalierungs‑sensitiv abgestimmte Raten (8:1 für P3, 6,4:1 für P4, 4:1 für P5), die exakt den Redundanzmustern des Feature‑Pyramid‑Networks (FPN) entsprechen. Drittens verbindet AHC eine Dual‑Memory‑Architektur aus Kurz‑ und Langzeit‑Speicherbanken, die dank wichtigerkeitsbasierter Konsolidierung unter dem strengen 100 KB‑Limit arbeiten.

Die Autoren liefern zudem theoretische Garantien, die das katastrophale Vergessen auf O(ε·√T + 1/√M) beschränken, wobei ε die Kompressionsfehler, T die Aufgabenanzahl und M die Speicherkapazität darstellen. In Experimenten auf CORe50, TiROD und PASCAL VOC übertrifft AHC etablierte Baselines wie Fine‑Tuning, EWC und iCaRL. Durch die Kombination von mean‑pooled, komprimierten Feature‑Replay, EWC‑Regularisierung und Feature‑Distillation erreicht AHC eine konkurrenzfähige Genauigkeit, während es gleichzeitig die Speicherbeschränkungen von Mikrocontrollern respektiert.