Continual Cross-Dataset Adaptation in Road Surface Classification

要約

自動運転車 (AV) が運転条件を最適化し、安全性を高め、高度な道路マッピングを可能にするためには、正確な路面分類が不可欠です。
ただし、路面分類用の深層学習モデルは、目に見えないデータセットでテストすると一般化が不十分になります。
これらのモデルを新しい情報で更新するには、壊滅的な忘却を避けるために、元のトレーニング データセットも考慮する必要があります。
ただし、これは、データがストリームまたは大量に収集される場合など、不可能ではないにしても非効率的です。
この制限を克服し、データセット間での迅速かつ効率的な適応を可能にするために、新しいデータに適応しながら過去の知識を保持し、忘却を効果的に回避するように設計された継続的な学習微調整手法を採用することを提案します。
実験結果は、このアプローチが単純な微調整よりも優れており、新鮮な再トレーニングに近いパフォーマンスを達成することを示しています。
この既知の問題を解決する一方で、同じ技術を他の AV シナリオでどのように採用できるかについての一般的な説明も提供します。
私たちは、不必要な共同再トレーニングによる温室効果ガス排出量を削減しながら、継続的ベースの適応が AV 業界にもたらし得る潜在的な計算上および経済的利点を強調します。

要約(オリジナル)

Accurate road surface classification is crucial for autonomous vehicles (AVs) to optimize driving conditions, enhance safety, and enable advanced road mapping. However, deep learning models for road surface classification suffer from poor generalization when tested on unseen datasets. To update these models with new information, also the original training dataset must be taken into account, in order to avoid catastrophic forgetting. This is, however, inefficient if not impossible, e.g., when the data is collected in streams or large amounts. To overcome this limitation and enable fast and efficient cross-dataset adaptation, we propose to employ continual learning finetuning methods designed to retain past knowledge while adapting to new data, thus effectively avoiding forgetting. Experimental results demonstrate the superiority of this approach over naive finetuning, achieving performance close to fresh retraining. While solving this known problem, we also provide a general description of how the same technique can be adopted in other AV scenarios. We highlight the potential computational and economic benefits that a continual-based adaptation can bring to the AV industry, while also reducing greenhouse emissions due to unnecessary joint retraining.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google