点群位置認識/継続学習2025/7/1arXiv:2507.10034

LifelongPR: サンプルリプレイとプロンプト学習に基づく生涯点群位置認識

LifelongPR: Lifelong point cloud place recognition based on sample replay and prompt learning

点群位置認識モデルが新しい環境に適応する際の破滅的忘却を防ぐため、情報量に応じたリプレイサンプル選択とプロンプト学習を組み合わせた継続学習フレームワークを提案した。

詳しい要約

1. どんなもの？

- どんなもの？ - Point cloud place recognition (PCPR) を持続的に学習させる continual learning (CL) フレームワーク LifelongPR の提案。 - 逐次到来する point cloud データから知識を獲得・更新・蓄積し、catastrophic forgetting を抑えることを狙う。 - autonomous driving、intelligent transportation、augmented reality など地理的位置推定を要する応用を想定。

2. 先行研究と比べてどこがすごい？

- 先行研究と比べてどこがすごい？ - 既存 PCPR は新環境・新 sensor への適応時に過去 scene の性能が大きく劣化する catastrophic forgetting を抱えると指摘。 - LifelongPR は replay sample selection と prompt learning を組み合わせ、逐次学習での知識保持と domain shift 対応を両立。 - SOTA 比で mIR@1 6.50% 向上、mR@1 7.96% 向上、F 8.95% 削減を報告。

3. 技術・手法の肝は？

- 技術や手法の肝はどこ？ - replay sample selection: 各 dataset の information quantity に応じて sample 数を動的配分し、空間的に多様な sample を選んで代表性を最大化。 - prompt learning ベースの CL framework: 軽量 prompt module と two-stage training strategy を設計。 - domain-specific な feature adaptation を促しつつ forgetting を最小化する構成。

4. どうやって有効だと検証した？

- どうやって有効だと検証した？ - 大規模公開 dataset と self-collected dataset で包括的実験を実施。 - SOTA 手法と比較し、mIR@1、mR@1、F の指標で改善を確認。 - code と pre-trained model を GitHub で公開。

5. 議論はある？

- 議論はある？ - 要旨からは不明。 - 想定される論点として、replay sample の情報量推定や動的配分の一般性、prompt module の規模・転移性、長期系列での forgetting 抑制の限界などが考えられるが、要旨には明記なし。

6. 次に読むべき論文は？

- 次に読むべき論文は？ - PCPR の代表的手法（PointNetVLAD 系など）および catastrophic forgetting 対策の continual learning 研究。 - replay-based CL（experience replay、sample selection）関連研究。 - prompt learning / parameter-efficient fine-tuning を用いた CL 研究。 - 要旨で参照・比較されている個別論文は明示されていないため、上記は同分野の定番・関連手法を一般名で挙げたもの。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Xianghong Zou, Jianping Li, Zhe Chen, Zhen Cao, Zhen Dong, Qiegen Liu, Bisheng Yang

分類: cs.CV, cs.RO

原文アブストラクト

Point cloud place recognition (PCPR) determines the geo-location within a prebuilt map and plays a crucial role in geoscience and robotics applications such as autonomous driving, intelligent transportation, and augmented reality. In real-world large-scale deployments of a geographic positioning system, PCPR models must continuously acquire, update, and accumulate knowledge to adapt to diverse and dynamic environments, i.e., the ability known as continual learning (CL). However, existing PCPR models often suffer from catastrophic forgetting, leading to significant performance degradation in previously learned scenes when adapting to new environments or sensor types. This results in poor model scalability, increased maintenance costs, and system deployment difficulties, undermining the practicality of PCPR. To address these issues, we propose LifelongPR, a novel continual learning framework for PCPR, which effectively extracts and fuses knowledge from sequential point cloud data. First, to alleviate the knowledge loss, we propose a replay sample selection method that dynamically allocates sample sizes according to each dataset's information quantity and selects spatially diverse samples for maximal representativeness. Second, to handle domain shifts, we design a prompt learning-based CL framework with a lightweight prompt module and a two-stage training strategy, enabling domain-specific feature adaptation while minimizing forgetting. Comprehensive experiments on large-scale public and self-collected datasets are conducted to validate the effectiveness of the proposed method. Compared with state-of-the-art (SOTA) methods, our method achieves 6.50% improvement in mIR@1, 7.96% improvement in mR@1, and an 8.95% reduction in F. The code and pre-trained models are publicly available at https://github.com/zouxianghong/LifelongPR.

arXivで原文を読む →arXiv概要ページ

← 論文一覧