論文の概要: Learning from Mistakes: Loss-Aware Memory Enhanced Continual Learning for LiDAR Place Recognition

• arxiv url: http://arxiv.org/abs/2511.15597v1
• Date: Wed, 19 Nov 2025 16:41:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.901662
• Title: Learning from Mistakes: Loss-Aware Memory Enhanced Continual Learning for LiDAR Place Recognition
• Title（参考訳）: 誤りからの学習:LiDAR位置認識のためのロスアウェアメモリ強化連続学習
• Authors: Xufei Wang, Junqiao Zhao, Siyue Tao, Qiwen Gu, Wonbong Kim, Tiantian Feng,
• Abstract要約: LiDARの位置認識はSLAM、ロボットナビゲーション、自動運転において重要な役割を果たす。 既存のLiDARの位置認識手法は、学習済みの知識を忘れずに新しい環境に適応するのに苦労することが多い。 我々は,LiDAR位置認識のための新しい連続学習フレームワークKDF+を提案する。
• 参考スコア（独自算出の注目度）: 14.499914626992348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR place recognition plays a crucial role in SLAM, robot navigation, and autonomous driving. However, existing LiDAR place recognition methods often struggle to adapt to new environments without forgetting previously learned knowledge, a challenge widely known as catastrophic forgetting. To address this issue, we propose KDF+, a novel continual learning framework for LiDAR place recognition that extends the KDF paradigm with a loss-aware sampling strategy and a rehearsal enhancement mechanism. The proposed sampling strategy estimates the learning difficulty of each sample via its loss value and selects samples for replay according to their estimated difficulty. Harder samples, which tend to encode more discriminative information, are sampled with higher probability while maintaining distributional coverage across the dataset. In addition, the rehearsal enhancement mechanism encourages memory samples to be further refined during new-task training by slightly reducing their loss relative to previous tasks, thereby reinforcing long-term knowledge retention. Extensive experiments across multiple benchmarks demonstrate that KDF+ consistently outperforms existing continual learning methods and can be seamlessly integrated into state-of-the-art continual learning for LiDAR place recognition frameworks to yield significant and stable performance gains. The code will be available at https://github.com/repo/KDF-plus.
• Abstract（参考訳）: LiDARの位置認識はSLAM、ロボットナビゲーション、自動運転において重要な役割を果たす。 しかし、既存のLiDARの位置認識手法は、これまで学んだ知識を忘れずに新しい環境に適応するのに苦労することが多い。 この問題に対処するため、我々はKDFパラダイムを拡張した新たなLiDAR位置認識フレームワークであるKDF+を提案し、損失対応サンプリング戦略とリハーサル強化機構を提案する。 提案手法は,各サンプルの学習困難度を損失値を用いて推定し,その推定困難度に応じてリプレイ用サンプルを選択する。 より差別的な情報をエンコードする傾向の強いサンプルは、データセット全体の分布範囲を維持しながら、高い確率でサンプリングされる。 さらに、リハーサル強化機構は、前回のタスクに対する損失をわずかに減らし、メモリサンプルをより洗練させ、長期的知識保持を補強する。 複数のベンチマークにわたる大規模な実験により、KDF+は既存の連続学習手法を一貫して上回り、LiDARの場所認識フレームワークの最先端の継続的学習にシームレスに統合することで、大幅な、安定したパフォーマンス向上が得られることが示された。 コードはhttps://github.com/repo/KDF-plusで入手できる。

関連論文リスト

• Temporal-Difference Variational Continual Learning [77.92320830700797]
  複数の先行推定の正則化効果を統合する新たな学習目標を提案する。 提案手法は, 変分CL法より優れたカタストロフィックフォーミングを効果的に緩和する。
  論文  参考訳（メタデータ） (2024-10-10T10:58:41Z)
• Contrastive Continual Learning with Importance Sampling and Prototype-Instance Relation Distillation [14.25441464051506]
  本稿では,従来のデータ分布を復元し,知識の保存を目的としたコントラスト連続学習(Contrastive Continual Learning via Importance Smpling, CCLIS)を提案する。 また,プロトタイプとサンプル表現の関係を維持する技術であるPRD(Prototype-instance Relation Distillation)の損失について述べる。
  論文  参考訳（メタデータ） (2024-03-07T15:47:52Z)
• Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [93.90047628101155]
  ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。 これを解決するために、新しいタスク学習中に過去のタスクからのデータを再生する手法を提案する。 しかし、メモリの制約やデータプライバシーの問題により、実際には期待できない。
  論文  参考訳（メタデータ） (2024-01-12T12:51:12Z)
• AdaER: An Adaptive Experience Replay Approach for Continual Lifelong Learning [16.457330925212606]
  持続的生涯学習の課題に対処するために,適応的経験リプレイ(AdaER)を提案する。 AdaERはメモリリプレイとメモリ更新という2つのステージで構成されている。 結果: AdaERは、既存の持続的生涯学習ベースラインを上回っている。
  論文  参考訳（メタデータ） (2023-08-07T01:25:45Z)
• Mitigating Forgetting in Online Continual Learning via Contrasting Semantically Distinct Augmentations [22.289830907729705]
  オンライン連続学習(OCL)は、非定常データストリームからモデル学習を可能とし、新たな知識を継続的に獲得し、学習した知識を維持することを目的としている。 主な課題は、"破滅的な忘れる"問題、すなわち、新しい知識を学習しながら学習した知識を十分に記憶できないことにある。
  論文  参考訳（メタデータ） (2022-11-10T05:29:43Z)
• CCLF: A Contrastive-Curiosity-Driven Learning Framework for Sample-Efficient Reinforcement Learning [56.20123080771364]
  我々は、強化学習のためのモデルに依存しないコントラスト駆動学習フレームワーク(CCLF)を開発した。 CCLFは、サンプルの重要性を完全に活用し、自己管理的な学習効率を向上させる。 このアプローチをDeepMind Control Suite、Atari、MiniGridベンチマークで評価する。
  論文  参考訳（メタデータ） (2022-05-02T14:42:05Z)
• Ask-n-Learn: Active Learning via Reliable Gradient Representations for Image Classification [29.43017692274488]
  深い予測モデルは、ラベル付きトレーニングデータという形で人間の監督に依存する。 Ask-n-Learnは,各アルゴリズムで推定されたペスドラベルを用いて得られる勾配埋め込みに基づく能動的学習手法である。
  論文  参考訳（メタデータ） (2020-09-30T05:19:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。