基于记忆的持续目标感知学习：室内无人机的实时类增量学习
计算机视觉与模式识别
2026-02-17 v1 机器人学
摘要
自动化代理如室内无人机必须在实时学习新目标类同时限制灾难性遗忘，这驱动了类增量学习（CIL）。然而，大多数无人机 aerial 视频数据集聚焦于户外场景，提供的时序连贯室内视频有限。我们引入了一个包含14,400帧的室内数据集，捕捉无人机间交互和地面车辆画面，通过半自动工作流程标注，首次通过率达98.6%后经最终人工验证。使用该数据集，我们对比评估了3种基于记忆的CIL策略：经验回放（ER）、最大干扰检索（MIR）和遗忘感知回放（FAR），采用YOLOv11-nano作为资源高效的检测器以适应部署受限的无人机平台。在严格的内存预算（5-10%回放）下，FAR优于其他方法，实现平均准确率（ACC，跨增量）为82.96%，仅使用5%回放。梯度加权类激活映射（Grad-CAM）分析显示注意力在混合场景中跨类的移动，与无人机局部化质量下降相关。实验进一步表明，基于记忆的持续学习可有效应用于边缘航空系统。总体而言，本工作贡献了一个保持时序连贯性的室内无人机视频数据集，并评估了在有限回放预算下基于记忆的CIL。项目页面：https://spacetime-vision-robotics-laboratory.github.io/learning-on-the-fly-cl
引用
@article{arxiv.2602.13440,
title = {Learning on the Fly: Replay-Based Continual Object Perception for Indoor Drones},
author = {Sebastian-Ion Nae and Mihai-Eugen Barbu and Sebastian Mocanu and Marius Leordeanu},
journal= {arXiv preprint arXiv:2602.13440},
year = {2026}
}
备注
Accepted at European Robotics Forum (ERF) 2026