Class-Incremental Motion Forecasting

작성자

Haebom

카테고리

Empty

저자

Nicolas Schischka, Nikhil Gosala, B Ravi Kiran, Senthil Yogamani, Abhinav Valada

💡 개요

본 연구는 실제 주행 환경에서 발생하는 새로운 객체 클래스 출현에 대응하기 위한 '클래스 점진적 모션 예측(class-incremental motion forecasting)'이라는 새로운 문제 설정을 제안합니다. 이를 위해 제안된 프레임워크는 새로운 클래스에 적응하면서 기존 클래스에 대한 성능 저하(catastrophic forgetting)를 완화하는 종단간(end-to-end) 방식을 사용합니다. 3D-2D 키포인트 투표 메커니즘과 쿼리 특징 분산 기반 재현 전략을 통해 성능을 향상시켰으며, 이를 통해 알려진 클래스의 성능을 유지하면서 새로운 클래스에 효과적으로 적응함을 입증했습니다.

🔑 시사점 및 한계

•

실제 환경 적용성 증대: 기존 고정된 객체 분류 기반의 모션 예측에서 벗어나, 시간 경과에 따라 새로운 객체 클래스가 등장하는 실제 도로 환경에 더 잘 적응할 수 있는 방법론을 제시합니다.

•

재학습 부담 감소 및 지식 보존: 새로운 클래스 학습 시 기존 클래스에 대한 성능 저하를 최소화하는 점진적 학습 전략을 통해, 지속적으로 새로운 정보를 통합하면서도 과거 학습된 지식을 효과적으로 보존할 수 있습니다.

•

기존 방법론의 한계: 제안된 방식은 여전히 완벽하지 않은 인식 성능 및 고품질의 인식 데이터에 대한 의존도를 완전히 해소하지 못할 수 있으며, 향후 더욱 강건한 인식 모델과의 통합 및 다양한 센서 정보 활용 방안에 대한 연구가 필요합니다.

PDF 보기

Made with Slashpage