适应但不要忘记：在分布迁移下的车道检测微调与对比路由
计算机视觉与模式识别
2025-07-28 v1 机器学习
摘要
车道检测模型通常在封闭世界环境中进行评估，即训练和测试 occur 在同一数据集上。我们观察到即使在同一领域内，跨数据集的分布迁移也会导致严重的灾难性遗忘。为此，我们首先在源分布上训练基础模型，然后通过创建独立分支来适应每个新的目标分布，仅微调选定组件而保持原始源分支固定。基于组件级分析，我们识别出针对目标分布有效的微调策略，从而实现参数高效的适应。在推理阶段，我们提出使用监督对比学习模型来识别输入分布并动态将其路由到相应分支。我们的框架在显著降低参数数量的同时实现了接近最优的 F1 分数。
引用
@article{arxiv.2507.18653,
title = {Adapt, But Don't Forget: Fine-Tuning and Contrastive Routing for Lane Detection under Distribution Shift},
author = {Mohammed Abdul Hafeez Khan and Parth Ganeriwala and Sarah M. Lehman and Siddhartha Bhattacharyya and Amy Alvarez and Natasha Neogi},
journal= {arXiv preprint arXiv:2507.18653},
year = {2025}
}
备注
Accepted to ICCV 2025, 2COOOL Workshop. Total 14 pages, 5 tables, and 4 figures