Domain-Incremental Semantic Segmentation for Autonomous Driving under Adverse Driving Conditions

要約

自動運転のためのセマンティック セグメンテーションは、不利な運転条件に直面すると、さらに困難なタスクになります。
理想的な条件下で記録されたデータに基づいてトレーニングされた標準モデルは、悪天候や照明条件ではパフォーマンスが低下します。
新しいタスクや条件を微調整すると、以前に学習した情報が上書きされ、致命的な忘れにつながります。
従来のドメイン適応方法を通じて新しい条件に適応すると、ソース ドメインを犠牲にしてターゲット ドメインのパフォーマンスが向上します。
これらの問題に対処するために、私たちは、プログレッシブ セマンティック セグメンテーション (PSS) と呼ばれる、アーキテクチャ ベースのドメイン増分学習アプローチを提案します。
PSS は、タスクに依存せず、動的に成長するドメイン固有のセグメンテーション モデルのコレクションです。
ドメインを推論し、その後セグメンテーションに適切なモジュールを選択するタスクは、畳み込みオートエンコーダーのコレクションを使用して実行されます。
私たちは、悪運転条件の分類においてさまざまな粒度レベルで複数のデータセットを使用して、提案したアプローチを広範囲に評価しました。
さらに、類似した未知のドメインに対する提案されたアプローチの一般化を示します。

要約(オリジナル)

Semantic segmentation for autonomous driving is an even more challenging task when faced with adverse driving conditions. Standard models trained on data recorded under ideal conditions show a deteriorated performance in unfavorable weather or illumination conditions. Fine-tuning on the new task or condition would lead to overwriting the previously learned information resulting in catastrophic forgetting. Adapting to the new conditions through traditional domain adaption methods improves the performance on the target domain at the expense of the source domain. Addressing these issues, we propose an architecture-based domain-incremental learning approach called Progressive Semantic Segmentation (PSS). PSS is a task-agnostic, dynamically growing collection of domain-specific segmentation models. The task of inferring the domain and subsequently selecting the appropriate module for segmentation is carried out using a collection of convolutional autoencoders. We extensively evaluate our proposed approach using several datasets at varying levels of granularity in the categorization of adverse driving conditions. Furthermore, we demonstrate the generalization of the proposed approach to similar and unseen domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google