利用自适应残差上下文检测城市交通图像中的自动驾驶接驳车

交通的逐步自动化有望通过共享出行提升安全性与可持续性。与其他车辆和道路使用者一样，甚至对于这种新技术而言，都需要对其进行监控以理解其在交通中的交互方式并评估其安全性。这可通过固定摄像头和视频目标检测来实现。然而，新增检测目标通常需要对常规检测方法进行微调。不幸的是，这种实现策略将导致一种称为灾难性遗忘的现象，从而造成场景理解的退化。在道路安全应用中，保留上下文场景知识对于保护道路使用者至关重要。我们提出自适应残差上下文（ARC）架构来解决这一问题。ARC 通过上下文引导桥接将冻结的上下文分支与可训练的任务特定分支相连接，利用注意力机制传递空间特征，同时保留预训练表示。在自定义数据集上的实验表明，ARC 在匹配微调基线的同时显著提升了知识保留，为在复杂城市环境中新增车辆类别提供了一种数据高效的解决方案。