リソース制約環境における視覚タスク向けアーキテクチャ探索の著しい成功にもかかわらず、デバイス内オブジェクト検出アーキテクチャの設計は依然として主に手動で行われている。自動探索に向けた少数の試みは、いずれもモバイルに適した探索空間を採用しておらず、あるいはデバイス内レイテンシを考慮していない。本研究では、検出ヘッド向けにモバイルに適した探索空間であるMnasFPNを提案し、レイテンシを意識したアーキテクチャ探索と組み合わせることで、効率的なオブジェクト検出モデルの構築を実現した。MobileNetV2本体と組み合わせた学習されたMnasFPNヘッドは、Pixel端末上で類似のレイテンシにおいて、MobileNetV3+SSDLiteよりも1.8 mAPの性能向上を達成した。また、NAS-FPNLiteと比較して、1.0 mAPの精度向上と10%の高速化を実現した。アブレーション研究の結果から、性能向上の大部分は探索空間の革新に起因することが明らかになった。さらに、探索空間の設計と探索アルゴリズムとの間には興味深い相関関係が存在することが示され、MnasFPNの探索空間の複雑さは局所最適解に近い可能性があることが明らかになった。