面向LiDAR语义分割的持续学习：稀疏数据上的类增量与由粗到细策略
计算机视觉与模式识别
2024-07-10 v1
摘要
在过去几年中，用于图像分类与分割的持续学习（CL）策略已被广泛研究，并设计了诸如知识蒸馏与自修复等创新方案以应对灾难性遗忘。然而，持续学习范式在点云上的应用仍未被探索，尤其在使用能够捕捉LiDAR数据稀疏性与不均匀分布的架构时，尚需开展研究。本文分析了应用于点云语义分割的类增量学习问题，比较了多种方法与最先进架构。据我们所知，这是首个针对LiDAR点云语义分割的类增量持续学习实例。我们将不同的CL策略适配到LiDAR点云上并进行了测试，同时处理了经典的微调场景与由粗到细（Coarse-to-Fine）学习范式。该框架通过两种不同架构在SemanticKITTI上进行了评估，取得了与最先进CL策略及标准离线学习相一致的结果。
引用
@article{arxiv.2304.03980,
title = {Continual Learning for LiDAR Semantic Segmentation: Class-Incremental and Coarse-to-Fine strategies on Sparse Data},
author = {Elena Camuffo and Simone Milani},
journal= {arXiv preprint arXiv:2304.03980},
year = {2024}
}