基于距离加权经验回放的灾难性遗忘缓解

在云边协作物体检测用于交通监控的场景中，持续适应边缘模型会因适应新数据分布而导致灾难性遗忘——即模型在适应新数据后遗忘先前学习的知识。这在以周期性变化为特征的动态交通环境中尤其棘手（例如昼夜交替、高峰时段），因为过往知识仍具有价值。现有方法如经验回放和视觉提示虽提供了一些缓解方案，但在有效优先级排序和利用历史数据方面仍存在挑战。具体而言，简单存储和重放所有历史数据效率低下，而将所有历史经验视为等重要性则忽略了其相对于当前领域的不同相关性。本文提出了一种基于自适应经验回放的边缘模型更新算法——ER-EMU，以应对上述局限性。ER-EMU采用先进先出（FIFO）原则管理的有限大小经验缓冲区，以及一种基于域距离度量的经验选择算法（DDM-ES）。DDM-ES采用多核最大均值差异（MK-MMD）来量化目标域之间的不相似性，从而优先选择与当前目标域最不相似的历史数据。这一机制确保了训练的多样性，促进了来自更广泛过去经验的知识保留，同时防止过拟合到新域。经验缓冲区还通过简单的随机抽样策略进行更新，以维持对以前域的平衡表示。在涉及重复昼夜循环的贝尔维尔交通视频数据集上的实验表明，ER-EMU在多个最先进的云边协作物体检测框架中均能持续提升性能。