Robust3D-CIL：面向3D感知的鲁棒类增量学习
计算机视觉与模式识别
2025-03-19 v1
摘要
3D感知在自动驾驶、机器人和AR/VR等实际应用中发挥着关键作用。在实际场景中，3D感知模型必须持续适应新数据和新兴物体类别，但从头重新训练代价高昂。因此，采用类增量学习（CIL）变得尤为重要。然而，实际的3D点云数据常包含受损样本，这对现有CIL方法构成重大挑战，并导致对受损数据的遗忘更为严重。为此，我们考虑CIL模型可使用包含未知损坏的点云进行更新，以更贴近实际条件。灵感来自最远点采样，我们提出一种新颖的示例选择策略，有效保留类内多样性，从而缓解数据损坏引起的遗忘。此外，我们引入基于点云下采样的重放方法，更高效地利用有限的重放缓冲区内存，进一步提升模型的持续学习能力。大量实验表明，我们的方法将基于重放的CIL基线性能提升2%至11%，证明其有效性及其在实际3D应用中的前景。
引用
@article{arxiv.2503.13869,
title = {Robust3D-CIL: Robust Class-Incremental Learning for 3D Perception},
author = {Jinge Ma and Jiangpeng He and Fengqing Zhu},
journal= {arXiv preprint arXiv:2503.13869},
year = {2025}
}
备注
16 pages, 7 figures