CCL：面向激光雷达地点识别的持续对比学习
计算机视觉与模式识别
2023-06-16 v2 机器人学
摘要
地点识别是机器人与自动驾驶应用中回环检测与全局定位的一项关键且具挑战性的任务。受益于深度学习技术的近期进展，激光雷达地点识别（LPR）的性能已大幅提升。然而，当前基于深度学习的方法存在两个主要问题：泛化能力差与灾难性遗忘。本文提出一种称为 CCL 的持续对比学习方法，以解决灾难性遗忘问题并普遍提升 LPR 方法的鲁棒性。我们的 CCL 构建对比特征池并利用对比损失训练更具可迁移性的地点表示。当迁移至新环境时，我们的 CCL 持续回顾对比记忆库，并应用基于分布的知识蒸馏，在持续学习从新数据识别新地点的同时维持对过往数据的检索能力。我们使用三种不同 LPR 方法在 Oxford、MulRan 与 PNV 数据集上充分评估我们的方法。实验结果表明，我们的 CCL 在不同环境中一致地提升不同方法的性能，优于最先进的持续学习方法。我们的方法实现已发布于 https://github.com/cloudcjf/CCL。
引用
@article{arxiv.2303.13952,
title = {CCL: Continual Contrastive Learning for LiDAR Place Recognition},
author = {Jiafeng Cui and Xieyuanli Chen},
journal= {arXiv preprint arXiv:2303.13952},
year = {2023}
}
备注
Accepted by IEEE RA-L in 2023