CLAD: A realistic Continual Learning benchmark for Autonomous Driving

要約

このホワイト ペーパーでは、オブジェクトの分類とオブジェクトの検出の問題に焦点を当てた、自動運転 (CLAD) の新しい継続的学習ベンチマークの動機となる設計とアイデアについて説明します。
このベンチマークは、最近リリースされた自動運転関連の問題に関する大規模なデータセットである SODA10M を利用しています。
まず、既存の継続的学習のベンチマークを見直して議論し、それらがどのように関連しているかを検討し、ほとんどが継続的学習の極端なケースであることを示します。
この目的のために、上位 3 つのコンピューター ビジョン カンファレンスで継続的学習に関する論文で使用されているベンチマークを調査します。
次に、CLAD-C を紹介します。これは、クラスとドメインの両方のインクリメンタルな課題をもたらす時系列データ ストリームを通じて実現されるオンライン分類ベンチマークです。
CLAD-D、ドメイン増分継続オブジェクト検出ベンチマーク。
ICCV 2021 の CLAD チャレンジ ワークショップで上位 3 名の参加者が使用した手法と方法の調査を通じて、ベンチマークに固有の困難と課題を調べます。
芸術、そして将来の研究に有望であると私たちが考える方向性。

要約(オリジナル)

In this paper we describe the design and the ideas motivating a new Continual Learning benchmark for Autonomous Driving (CLAD), that focuses on the problems of object classification and object detection. The benchmark utilises SODA10M, a recently released large-scale dataset that concerns autonomous driving related problems. First, we review and discuss existing continual learning benchmarks, how they are related, and show that most are extreme cases of continual learning. To this end, we survey the benchmarks used in continual learning papers at three highly ranked computer vision conferences. Next, we introduce CLAD-C, an online classification benchmark realised through a chronological data stream that poses both class and domain incremental challenges; and CLAD-D, a domain incremental continual object detection benchmark. We examine the inherent difficulties and challenges posed by the benchmark, through a survey of the techniques and methods used by the top-3 participants in a CLAD-challenge workshop at ICCV 2021. We conclude with possible pathways to improve the current continual learning state of the art, and which directions we deem promising for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google