ConDo: 面向绝对位姿回归的持续域扩展
计算机视觉与模式识别
2024-12-19 v1 人工智能
摘要
视觉定位是一个基本的机器学习问题。绝对位姿回归（APR）训练一个场景依赖模型，将输入图像高效映射到预定义场景中的相机位姿。然而，许多应用具有持续变化的环境，其中在新位姿或场景条件（天气、几何）下的推理数据在部署后出现。在固定数据集上训练APR会导致过拟合，使其在具有挑战性的新数据上灾难性地失败。本文提出持续域扩展（ConDo），持续收集无标签推理数据以更新已部署的APR。不同于应用对APR无效的标准无监督域自适应方法，ConDo通过从场景无关的定位方法中蒸馏知识，有效地从无标签数据中学习。通过从历史数据和最新收集的数据中均匀采样，ConDo能够有效扩展APR的泛化域。构建了包含多种场景类型的大规模基准，以评估模型在实际（长期）数据变化下的表现。ConDo在架构、场景类型和数据变化上均一致且显著优于基线。在具有挑战性的场景（图1）中，它将定位误差降低了7倍以上（14.8米 vs 1.7米）。分析显示了ConDo对计算预算、回放缓冲区大小和教师预测噪声的鲁棒性。与模型重训练相比，ConDo在性能相近的情况下速度提升高达25倍。
引用
@article{arxiv.2412.13452,
title = {ConDo: Continual Domain Expansion for Absolute Pose Regression},
author = {Zijun Li and Zhipeng Cai and Bochun Yang and Xuelun Shen and Siqi Shen and Xiaoliang Fan and Michael Paulitsch and Cheng Wang},
journal= {arXiv preprint arXiv:2412.13452},
year = {2024}
}
备注
AAAI2025