CLAD：一种面向自动驾驶的现实持续学习基准
计算机视觉与模式识别
2022-10-10 v1 机器学习
摘要
在本文中，我们描述了一个面向自动驾驶的新型持续学习基准（CLAD）的设计及其背后的理念，该基准聚焦于目标分类与目标检测问题。该基准利用了 SODA10M，一个近期发布的涉及自动驾驶相关的大规模数据集。首先，我们回顾并讨论了现有的持续学习基准，它们之间的关系，并指出大多数属于极端的持续学习情形。为此，我们调研了三场高排名计算机视觉会议中持续学习论文所使用的基准。接下来，我们介绍 CLAD-C，一个通过按时间顺序的数据流实现的在线分类基准，带来了类别增量与域增量双重挑战；以及 CLAD-D，一个域增量持续目标检测基准。我们通过调研在 ICCV 2021 的 CLAD 挑战研讨会中前三名参与者所采用的技术与方法，考察了该基准固有的困难与挑战。最后，我们给出了改进当前持续学习最优性能的可能路径，以及我们认为值得未来研究探索的方向。
引用
@article{arxiv.2210.03482,
title = {CLAD: A realistic Continual Learning benchmark for Autonomous Driving},
author = {Eli Verwimp and Kuo Yang and Sarah Parisot and Hong Lanqing and Steven McDonagh and Eduardo Pérez-Pellitero and Matthias De Lange and Tinne Tuytelaars},
journal= {arXiv preprint arXiv:2210.03482},
year = {2022}
}