CCL: Continual Contrastive Learning for LiDAR Place Recognition

要約

場所認識は、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かつ困難なタスクです。
最近の深層学習技術の進歩の恩恵を受けて、LiDAR 場所認識 (LPR) のパフォーマンスが大幅に向上しました。
しかし、現在の深層学習ベースの手法には、汎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、一般に LPR アプローチの堅牢性を向上させる、CCL と呼ばれる継続的対比学習方法を提案します。
私たちの CCL は、コントラスト特徴プールを構築し、コントラスト損失を利用して、より伝達可能な場所の表現をトレーニングします。
新しい環境に転送されると、CCL は対照的なメモリ バンクを継続的にレビューし、分布ベースの知識の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方法を継続的に学習します。
私たちは、3 つの異なる LPR 手法を使用して、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した。
実験結果は、当社の CCL が、さまざまな環境におけるさまざまなメソッドのパフォーマンスを一貫して向上させ、最先端の継続学習メソッドを上回るパフォーマンスを示していることを示しています。
私たちのメソッドの実装は https://github.com/cloudcjf/CCL でリリースされました。

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

提供元, 利用サービス

arxiv.jp, Google