恶劣天气条件下域增量语义分割中的遗忘原理
计算机视觉与模式识别
2023-06-13 v2
摘要
用于自动驾驶车辆场景感知的深度神经网络在其训练域上取得了优异的结果。然而，在真实世界条件下，运行域及其底层数据分布会发生变化。特别是，当训练时缺乏此类数据时，恶劣天气条件会显著降低模型性能。此外，当模型被增量式地适配到新域时，它会遭受灾难性遗忘，导致在先前观测域上的性能显著下降。尽管近期在减轻灾难性遗忘方面取得了进展，但其成因与影响仍不清晰。因此，我们研究了在恶劣天气条件下的域增量学习中，语义分割模型的表征如何受到影响。我们的实验与表征分析表明，灾难性遗忘主要由域增量学习中低层特征的改变所引起，并且通过在源域上使用预训练与图像增强学习更具通用性的特征，可在后续任务中实现高效的特征复用，从而大幅减轻灾难性遗忘。这些发现凸显了为促进有效持续学习算法而构建泛化特征的方法的重要性。
引用
@article{arxiv.2303.14115,
title = {Principles of Forgetting in Domain-Incremental Semantic Segmentation in Adverse Weather Conditions},
author = {Tobias Kalb and Jürgen Beyerer},
journal= {arXiv preprint arXiv:2303.14115},
year = {2023}
}
备注
Accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition 2023