Breaking the Model Forgetting Cycle in Long-Incremental 3D Object Detection
本文提出了学习动态驱动的记忆与复习（LDMR）框架，该框架通过类人式的阶段内复习和场景感知的跨阶段记忆演化，打破了分布偏移与伪标签误差之间有害的自增强循环，从而缓解了长增量 3D 目标检测中严重的模型遗忘问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在教一个机器人识别杂乱房间里的所有物品。起初，你给它看一把椅子和一张桌子，它完美地学会了它们。接着，你给它看一盏灯和一张沙发。机器人学会了这些新物品，但在过程中，它开始对椅子的样子变得有些模糊。这就是“增量学习”（incremental learning）的核心挑战：教计算机随着时间的推移学习新事物，而不忘记它已经掌握的旧事物。在 3D 物体检测领域，这就像是试图构建一个能够穿梭于房屋中导航的机器人，在它从一个房间移动到另一个房间时，即使出现了新型家具，也能识别出家具。问题在于，随着机器人学习的内容越来越多，它经常会遭受“模型遗忘”（model forgetting）之苦，即对旧物品的知识会逐渐消退，取而代之的是困惑或错误。本文深入探讨了这个问题的一个特定且困难的版本，称为“长增量”（long-incremental）学习，即机器人必须在很长一段时间内学习许多个新类别，而不仅仅是进行一两次快速更新。
该论文的作者钱培升及其团队发现，以往这种教导机器人的方法陷入了一个恶性循环。他们发现，当机器人尝试学习新物体时，数据的变化会导致它遗忘旧物体。为了修复这个问题，机器人会尝试猜测那些它看不清的旧物体的标签（这个过程被称为“伪标签”生成）。然而，由于机器人已经在遗忘，这些猜测往往是错误的。这些错误的猜测会随着时间的推移不断堆积，使机器人对旧物体的记忆力变得更差，进而导致更糟糕的猜测。这是一个向下螺旋的过程：机器人变得困惑，产生错误，然后又被自己的错误搞得更加困惑。
为了打破这个循环，该团队提出了一个名为 LDMR（学习动态驱动的记忆与复习）的新框架。他们的灵感来源于人类的学习方式。当你为一场重要的考试做准备时，你不会只读一遍书就了事。你会学习一小部分，通过练习测试来查看自己遗忘了什么，然后在继续学习之前，针对这些薄弱环节进行复习。LDMR 系统为机器人也做了类似的事情。它将学习过程分解成微小的“子阶段”。在每个微小的学习块结束后，它会停下来检查：“哪些物体我们开始遗忘了？”然后，它会在下一轮训练中专门针对这些被遗忘的物品进行训练，有效地在它们完全消失在记忆中之前进行“复习”。
此外，论文还引入了“场景感知的跨阶段记忆演化”。想象一下，机器人有一个小巧且有限的笔记本（记忆库），可以在其中记录场景示例以供记忆。以往的方法只是随机挑选场景记录下来。然而，LDMR 要聪明得多。它会查看笔记本并提出两个问题：“这个场景是机器人正努力学习的内容吗？”（可学习性）以及“这个场景与笔记本中已有的内容相比，是否足够不同从而具有实用价值？”（多样性）。它不断更新这个笔记本，用新的、高价值的示例替换掉旧的、无用的示例，以实现最广泛的覆盖。
结果表明，这种方法非常有效。在 SUN RGB-D 和 ScanNetV2 两个主要的室内数据集测试中，这种新方法显著降低了困扰旧方法的“遗忘”现象。例如，在一个 10 阶段的学习任务中（机器人随时间学习 10 组不同的物体），新方法的性能得分达到了 19.38，而使用随机记忆库的最佳旧方法仅达到了 15.54。作者发现，机器人需要学习的阶段越多，他们的“复习与记忆”系统就越有帮助，这表明对于长期学习任务，模仿人类的学习习惯可能是保持机器人记忆敏锐的关键。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。