路面分类中的持续跨数据集自适应
计算机视觉与模式识别
2023-09-06 v1
摘要
准确的路面分类对于自动驾驶车辆（AVs）优化行驶条件、提升安全性以及实现高级道路制图至关重要。然而，用于路面分类的深度学习模型在未见数据集上测试时泛化性能较差。为了用新信息更新这些模型，也必须考虑原始训练数据集，以避免灾难性遗忘。但这在数据以流或大量形式收集时效率低下甚至不可能。为克服这一限制并实现快速高效的跨数据集自适应，我们提出采用持续学习微调方法，旨在保留过往知识的同时适应新数据，从而有效避免遗忘。实验结果表明，该方法优于朴素微调，性能接近重新训练。在解决这一已知问题的同时，我们也给出了如何将相同技术应用于其他 AV 场景的总体描述。我们强调了基于持续的适应可为 AV 产业带来的潜在计算与经济收益，同时因避免不必要的联合重训练而减少温室气体排放。
引用
@article{arxiv.2309.02210,
title = {Continual Cross-Dataset Adaptation in Road Surface Classification},
author = {Paolo Cudrano and Matteo Bellusci and Giuseppe Macino and Matteo Matteucci},
journal= {arXiv preprint arXiv:2309.02210},
year = {2023}
}
备注
To be published in Proceedings of 26th IEEE International Conference on Intelligent Transportation Systems (ITSC 2023)