Principles of Forgetting in Domain-Incremental Semantic Segmentation in Adverse Weather Conditions

要約

自動運転車両のシーン認識用のディープ ニューラル ネットワークは、トレーニングされたドメインで優れた結果を達成しています。
ただし、実際の状況では、操作のドメインとその基礎となるデータ分布は変更される可能性があります。
特に悪天候は、トレーニング中にそのようなデータが利用できない場合、モデルのパフォーマンスを大幅に低下させる可能性があります.さらに、モデルが新しいドメインに段階的に適応されると、壊滅的な忘却に悩まされ、以前に観察されたドメインのパフォーマンスが大幅に低下します.
.
壊滅的な忘却の減少における最近の進歩にもかかわらず、その原因と影響はあいまいなままです.
したがって、悪天候下でのドメイン増分学習中にセマンティック セグメンテーション モデルの表現がどのように影響を受けるかを研究します。
私たちの実験と表現分析は、壊滅的な忘却は主にドメインの増分学習における低レベルの機能の変更によって引き起こされ、事前トレーニングと画像拡張を使用してソースドメインでより一般的な機能を学習すると、後続のタスクで効率的な機能の再利用につながることを示しています。
これにより、壊滅的な忘却が大幅に減少します。
これらの調査結果は、効果的な継続学習アルゴリズムの一般化された機能を容易にする方法の重要性を強調しています。

要約(オリジナル)

Deep neural networks for scene perception in automated vehicles achieve excellent results for the domains they were trained on. However, in real-world conditions, the domain of operation and its underlying data distribution are subject to change. Adverse weather conditions, in particular, can significantly decrease model performance when such data are not available during training.Additionally, when a model is incrementally adapted to a new domain, it suffers from catastrophic forgetting, causing a significant drop in performance on previously observed domains. Despite recent progress in reducing catastrophic forgetting, its causes and effects remain obscure. Therefore, we study how the representations of semantic segmentation models are affected during domain-incremental learning in adverse weather conditions. Our experiments and representational analyses indicate that catastrophic forgetting is primarily caused by changes to low-level features in domain-incremental learning and that learning more general features on the source domain using pre-training and image augmentations leads to efficient feature reuse in subsequent tasks, which drastically reduces catastrophic forgetting. These findings highlight the importance of methods that facilitate generalized features for effective continual learning algorithms.

arxiv情報

著者 Tobias Kalb,Jürgen Beyerer
発行日 2023-03-24 16:23:49+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 パーマリンク