面向LiDAR地点识别的排序感知持续学习
计算机视觉与模式识别
2025-05-13 v1
摘要
地点识别在SLAM、机器人导航和自动驾驶应用中发挥着重要作用。得益于深度学习，LiDAR地点识别（LPR）的性能得到了显著提升。然而，许多现有的基于学习的LPR方法 suffer from 灾难性遗忘，这严重损害了在训练新环境后对以前训练地点的LPR性能。本文引入一种通过知识蒸馏和融合（KDF）实现的LPR持续学习框架，以缓解遗忘问题。灵感来自地点识别检索的排序过程，我们提出了排序感知知识蒸馈损失，以鼓励网络保留高层次的地点识别知识。我们还引入知识融合模块，用于集成旧模型和新模型的LiDAR地点识别知识。我们的广泛实验表明，KDF 可被应用于不同网络，以克服灾难性遗忘，在平均Recall@1和遗忘评分方面超越了当前最先进的方法。
引用
@article{arxiv.2505.07198,
title = {Ranking-aware Continual Learning for LiDAR Place Recognition},
author = {Xufei Wang and Gengxuan Tian and Junqiao Zhao and Siyue Tao and Qiwen Gu and Qiankun Yu and Tiantian Feng},
journal= {arXiv preprint arXiv:2505.07198},
year = {2025}
}
备注
8 pages, 4 figures