面向动态环境中实时模型演化的多流蜂窝测试时自适应
计算机视觉与模式识别
2025-02-18 v1 人工智能
图像与视频处理
摘要
在物联网（IoT）时代，物体通过动态网络连接，并借助5G等技术实现实时数据共享。然而，智能物体，尤其是自动驾驶汽车，由于资源有限，在关键的本地计算中面临挑战。轻量级AI模型提供了一种解决方案，但难以应对多样化的数据分布。为解决这一局限，我们提出了一种新颖的多流蜂窝测试时自适应（MSC-TTA）设置，其中模型在划分为蜂窝的动态环境中实时自适应。然后，我们提出了一种实时自适应师生方法，利用每个蜂窝中可用的多流数据来快速适应变化的数据分布。我们在基于位置和天气条件划分蜂窝的自动驾驶车辆导航场景中验证了我们的方法。为促进未来的基准测试，我们发布了一个新的多流大规模合成语义分割数据集，称为DADE，并表明我们的多流方法优于单流基线。我们相信，我们的工作将为物联网和5G时代开辟研究机会，为实时模型自适应提供解决方案。
引用
@article{arxiv.2404.17930,
title = {Multi-Stream Cellular Test-Time Adaptation of Real-Time Models Evolving in Dynamic Environments},
author = {Benoît Gérin and Anaïs Halin and Anthony Cioppa and Maxim Henry and Bernard Ghanem and Benoît Macq and Christophe De Vleeschouwer and Marc Van Droogenbroeck},
journal= {arXiv preprint arXiv:2404.17930},
year = {2025}
}