CCL: Continual Contrastive Learning for LiDAR Place Recognition

要約

場所の認識は、ロボット工学および自動運転アプリケーションのループ クロージングとグローバル ローカリゼーションにおいて不可欠で困難なタスクです。
最近の深層学習技術の進歩の恩恵を受けて、LiDAR の場所認識 (LPR) のパフォーマンスが大幅に改善されました。
しかし、現在の深層学習ベースの方法には、一般化能力の低さと壊滅的な忘却という 2 つの大きな問題があります。
この論文では、壊滅的な忘却問題に取り組み、LPRアプローチのロバスト性を一般的に改善するために、CCLという名前の継続的な対照学習法を提案します。
私たちの CCL は、対照的な特徴プールを構築し、対照的な損失を利用して、より移転可能な場所の表現をトレーニングします。
新しい環境に移行すると、CCL は対照的なメモリ バンクを継続的に見直し、分散ベースの知識蒸留を適用して、過去のデータの検索能力を維持しながら、新しいデータから新しい場所を認識することを継続的に学習します。
3 つの異なる LPR メソッドを使用して、Oxford、MulRan、および PNV データセットに対するアプローチを徹底的に評価します。
実験結果は、CCL がさまざまな環境でさまざまな方法のパフォーマンスを一貫して改善し、最先端の継続的な学習方法よりも優れていることを示しています。
メソッドの実装は、https://github.com/cloudcjf/CCL でリリースされています。

要約(オリジナル)

Place recognition is an essential and challenging task in loop closing and global localization for robotics and autonomous driving applications. Benefiting from the recent advances in deep learning techniques, the performance of LiDAR place recognition (LPR) has been greatly improved. However, current deep learning-based methods suffer from two major problems: poor generalization ability and catastrophic forgetting. In this paper, we propose a continual contrastive learning method, named CCL, to tackle the catastrophic forgetting problem and generally improve the robustness of LPR approaches. Our CCL constructs a contrastive feature pool and utilizes contrastive loss to train more transferable representations of places. When transferred into new environments, our CCL continuously reviews the contrastive memory bank and applies a distribution-based knowledge distillation to maintain the retrieval ability of the past data while continually learning to recognize new places from the new data. We thoroughly evaluate our approach on Oxford, MulRan, and PNV datasets using three different LPR methods. The experimental results show that our CCL consistently improves the performance of different methods in different environments outperforming the state-of-the-art continual learning method. The implementation of our method has been released at https://github.com/cloudcjf/CCL.

arxiv情報

著者 Jiafeng Cui,Xieyuanli Chen
発行日 2023-03-24 12:14:54+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.RO パーマリンク