基于递归知识蒸馏的长期车辆定位
计算机视觉与模式识别
2019-06-04 v1
摘要
当前大多数用于跨季节视觉位置识别(CS-VPR)的最优框架聚焦于对单一特定季节的域适应(DA)。从长期CS-VPR的角度看,此类框架难以扩展到顺序多域(如春-夏-秋-冬-……)。本研究的目标是开发一种新颖的长期集成学习(LEL)框架,使其在长期顺序多域CS-VPR(SMD-VPR)中以恒定代价重训练,仅需记忆少量恒定数量的深度卷积神经网络(CNNs),并能以小的恒定时间/空间代价重训练每个季节的CNN集成。我们将任务构建为多教师多学生知识蒸馏(MTMS-KD),递归地将之前所有季节的知识压缩进当前的CNN集成中。我们进一步解决教师-学生分配(TSA)问题,以实现良好的泛化/专用权衡。在SMD-VPR任务上的实验结果验证了所提方法的有效性。
引用
@article{arxiv.1904.03551,
title = {Long-Term Vehicle Localization by Recursive Knowledge Distillation},
author = {Hiroki Tomoe and Tanaka Kanji},
journal= {arXiv preprint arXiv:1904.03551},
year = {2019}
}
备注
5 pages, 3 figures, technical report. arXiv admin note: text overlap with arXiv:1709.05470 by other authors