一种用于全天气条件驾驶的高效域增量学习方法

尽管深度神经网络为自动驾驶带来了令人印象深刻的视觉感知性能，它们对多变天气条件的鲁棒性仍需注意。当对这些模型进行调整以适应变化的环境（例如不同天气条件）时，它们容易遗忘先前学习的信息。这种灾难性遗忘通常通过增量学习方法解决，这类方法一般通过保留训练样本的内存库或为每种场景保留整个模型或模型参数的副本来重新训练模型。虽然这些方法展示了令人印象深刻的结果，但它们容易出现可扩展性问题，并且其在全天气条件下自动驾驶中的适用性尚未得到证明。在本文中，我们提出 DISC——通过统计校正实现域增量——一种简单的在线零遗忘方法，它可以增量学习新任务（即天气条件）而无需重新训练或昂贵的内存库。我们为每个任务存储的唯一信息是其统计参数，因为我们通过一阶和二阶统计量的变化对每个域进行分类。因此，随着每个任务的到来，我们只需将相应任务的统计向量“即插即用”到模型中，它便立即在该任务上表现良好。我们通过在具有挑战性的域增量自动驾驶场景中进行目标检测测试来验证我们方法的有效性，其中我们遇到不同的恶劣天气条件，如暴雨、雾和雪。