MECAIL: Communication-Aware Incremental Learning for Object Detection with 14.6 KB Spatiotemporal Experts

📄 arXiv: 2609.24455v1 📥 PDF

作者: Matthias Neuwirth-Trapp, Maarten Bieshaar, Danda Paudel, Konrad Schindler, Luc Van Gool, Christos Sakaridis

分类: cs.CV, cs.LG

发布日期: 2026-09-21

备注: Accepted at ITSC 2026

💡 一句话要点

提出MECAIL以解决边缘设备增量学习的通信限制问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 增量学习 边缘计算 对象检测 智能交通 通信感知 专家模型 时空适应

📋 核心要点

  1. 现有的增量学习方法在边缘设备上难以实现，主要由于计算资源不足和通信带宽限制。
  2. 本文提出MECAIL，通过小型专家网络适应基础模型，以满足特定的时空环境需求，且每个模块限制在14.6 KB以内。
  3. 实验结果表明，MECAIL在D-RICO和ODinW-13数据集上表现出色，性能接近传统重参数方法，且具备更好的带宽效率。

📝 摘要（中文）

智能交通系统需要增量学习（IL）以在动态环境中不断提升性能。然而，大多数边缘设备缺乏支持在设备上进行增量学习的计算资源，更新通常需要从集中服务器传输。为此，本文提出了一种方法，通过使用小型专家网络适应固定基础模型，以满足特定时空上下文的需求，如停车场、加油站等。我们引入了通信感知增量学习的混合专家模型（MECAIL），并在D-RICO和ODinW-13数据集上验证了其有效性，结果显示其性能与参数较重的方法相当，同时实现了带宽高效的大规模部署。

🔬 方法详解

问题定义：本文旨在解决边缘设备在动态环境中进行增量学习时面临的计算资源不足和通信带宽限制的问题。现有方法往往需要大量参数，难以在带宽受限的情况下进行有效更新。

核心思路：MECAIL通过引入小型专家网络，针对特定的时空上下文进行适应性学习，确保每个模块的大小不超过14.6 KB，以便在边缘设备上高效运行。

技术框架：该方法的整体架构包括基础模型和多个小型专家网络。每个专家网络负责特定环境的适应性学习，模块通过TCP、UDP和BTP协议进行传输，确保在带宽限制下的有效更新。

关键创新：MECAIL是首个在严格的模块大小限制下实现通信感知增量学习的方法。与传统方法相比，它通过小型专家网络实现了高效的时空适应性，显著降低了通信负担。

关键设计：在设计中，模块大小被严格限制为14.6 KB，以适应TCP窗口和减少UDP/BTP的分片。此外，采用Mixture-of-Experts架构，使得每个新环境都能通过小型专家网络进行有效学习。该设计确保了在带宽受限的情况下，仍能实现高效的增量学习。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在D-RICO和ODinW-13数据集上的实验结果显示，MECAIL的性能与传统重参数方法相当，且在带宽效率上有显著提升。具体而言，MECAIL在模块大小限制下，成功实现了高效的增量学习，展现出良好的实用性和可扩展性。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、自动驾驶车辆和城市监控等。通过在动态环境中实现高效的增量学习，MECAIL能够提升对象检测的准确性和实时性，具有显著的实际价值和广泛的应用前景。

📄 摘要（原文）

Intelligent transportation systems require Incremental Learning (IL) to continually improve their overall performance in dynamic environments. However, most edge devices lack the computational resources to support on-device IL, requiring updates to be transmitted from centralized servers. We propose using this setup to obtain dense, specialized module coverage that adapts a fixed base model to specific spatiotemporal contexts, such as parking lots, gas stations, ferries, or construction sites. However, in order to reliably transmit these modules to the edge device, using TCP, UDP, and BTP over V2X, Wi-Fi, and 2G-5G hardware, we establish a strict limit of 14.6 KB per module to fit within the first TCP window and to minimize UDP/BTP fragmentation. We further introduce Mixture-of-Experts for Communication-Aware Incremental Learning (MECAIL), the first method that meets this strict requirement, in which each new domain or environment is served by a small expert network that adapts the base model. We validate MECAIL on D-RICO and ODinW-13, where it largely matches the performance of parameter-heavy approaches while enabling practical, bandwidth-efficient large-scale deployment. This allows comprehensive coverage by experts for highly specific, focused, and temporary situations.