坐享其成：在全天气条件下增量学习驾驶
计算机视觉与模式识别
2023-05-31 v1
摘要
在自动驾驶场景中，当前目标检测模型在晴朗天气下测试时表现出强劲性能。然而，当在退化天气条件下测试时，其性能显著下降。此外，即使经过调整以在一系列不同天气条件下鲁棒运行，它们通常也无法在所有条件下表现良好，并遭受灾难性遗忘。为有效缓解遗忘，我们提出通过激活匹配的领域增量学习（DILAM），其采用无监督特征对齐，仅将晴朗天气预训练网络的仿射参数适配到不同天气条件。我们提出将这些仿射参数作为每个天气条件的存储库，并在驾驶（即测试时）遇到相应天气条件时插入其天气特定参数。我们的存储库极其轻量，因为仿射参数占典型目标检测器的不到2%。此外，与先前的领域增量学习方法相反，我们在测试时不需要天气标签，并提出通过多数投票线性分类器自动推断天气条件。
引用
@article{arxiv.2305.18953,
title = {Sit Back and Relax: Learning to Drive Incrementally in All Weather Conditions},
author = {Stefan Leitner and M. Jehanzeb Mirza and Wei Lin and Jakub Micorek and Marc Masana and Mateusz Kozinski and Horst Possegger and Horst Bischof},
journal= {arXiv preprint arXiv:2305.18953},
year = {2023}
}
备注
Intelligent Vehicle Conference (oral presentation)