基于梯度的最大干扰检索用于域增量三维目标检测
计算机视觉与模式识别
2023-05-05 v2 机器学习
摘要
在所有天气条件下准确的3D目标检测仍是实现自动驾驶车辆广泛部署的关键挑战，因为迄今为止大多数工作都是在晴朗天气数据上进行的。为了推广到恶劣天气条件，监督方法如果从零开始在全部天气数据上训练，而非微调在晴朗天气数据上预训练的模型，则表现最佳。随着数据集持续增长并涵盖所有可能的天气条件，从零开始在全部数据上训练最终将在计算上变得不可行且昂贵。另一方面，在不同天气域数据上的朴素微调可能导致对先前学习域的灾难性遗忘。受基于回放的持续学习方法成功的启发，我们提出基于梯度的最大干扰检索(GMIR)，一种用于回放的基于梯度的采样策略。在微调期间，GMIR周期性地从先前域数据集中检索其梯度向量与当前更新的梯度向量表现出最大干扰的样本。我们在SeeingThroughFog (STF)数据集上的3D目标检测实验表明，GMIR不仅克服了遗忘，而且相对于从零开始在全部数据上训练提供了具有竞争力的性能，同时将总训练时间减少了46.25%。
引用
@article{arxiv.2304.14460,
title = {Gradient-based Maximally Interfered Retrieval for Domain Incremental 3D Object Detection},
author = {Barza Nisar and Hruday Vishal Kanna Anand and Steven L. Waslander},
journal= {arXiv preprint arXiv:2304.14460},
year = {2023}
}