CONDA: Continual Unsupervised Domain Adaptation Learning in Visual Perception for Self-Driving Cars

要約

教師なしドメイン適応法は、自動運転車の視覚におけるセマンティック シーン セグメンテーションで顕著なパフォーマンスを達成しましたが、これらのアプローチは現実世界のユース ケースでは実用的ではありません。
実際には、セグメンテーション モデルは、まだ見られていない新しいデータに遭遇する可能性があります。
また、セグメンテーション モデルの以前のデータ トレーニングは、プライバシーの問題によりアクセスできない場合があります。
したがって、これらの問題に対処するために、この作業では、モデルが新しいデータの存在に関して継続的に学習および適応できるようにする、継続的な教師なしドメイン適応 (CONDA) アプローチを提案します。
さらに、提案されたアプローチは、以前のトレーニング データにアクセスする必要なく設計されています。
壊滅的な忘却の問題を回避し、セグメンテーション モデルのパフォーマンスを維持するために、予測されるセグメンテーション分布シフトの制約を課す、新しい全単射最尤損失を提示します。
継続的な教師なしドメイン適応のベンチマークに関する実験結果は、提案された CONDA メソッドの高度なパフォーマンスを示しています。

要約(オリジナル)

Although unsupervised domain adaptation methods have achieved remarkable performance in semantic scene segmentation in visual perception for self-driving cars, these approaches remain impractical in real-world use cases. In practice, the segmentation models may encounter new data that have not been seen yet. Also, the previous data training of segmentation models may be inaccessible due to privacy problems. Therefore, to address these problems, in this work, we propose a Continual Unsupervised Domain Adaptation (CONDA) approach that allows the model to continuously learn and adapt with respect to the presence of the new data. Moreover, our proposed approach is designed without the requirement of accessing previous training data. To avoid the catastrophic forgetting problem and maintain the performance of the segmentation models, we present a novel Bijective Maximum Likelihood loss to impose the constraint of predicted segmentation distribution shifts. The experimental results on the benchmark of continual unsupervised domain adaptation have shown the advanced performance of the proposed CONDA method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google