自动驾驶数据流太浪费？FrameScope让车载AI自己挑高价值帧，样本效率暴涨还防遗忘！
FrameScope: Temporal Data Valuation for Stream Active Learning in Autonomous Vehicle Systems
📖 AI 总结
自动驾驶系统在动态环境中持续面临新场景与边缘案例，静态学习模型难以保障安全可靠运行，因此持续学习至关重要。然而，车辆产生海量视觉数据流，现有连续学习方法多依赖启发式采样，无法捕捉时间动态，易遗漏关键学习机会或选择冗余帧。为此，本文提出FrameScope框架，将神经正切核理论扩展至时间域，实现对流式视觉数据的原理性价值评估。该方法在车辆端进行本地帧选择，仅向云端基础模型查询高价值帧的标签，而非传输全部视频数据。跨多个域偏移的广泛实验表明，FrameScope在样本效率和缓解灾难性遗忘方面均优于现有方法，同时显著降低带宽需求，支持轻量级云端标注服务的可扩展部署。
🔑 关键词速览
| FrameScope | 本文提出的时间数据估值框架，用于自动驾驶车辆持续学习中的帧选择。 |
| neural tangent kernel (NTK) | 神经正切核，一种用于分析神经网络训练动态的理论工具，此处扩展至时间域以评估数据价值。 |
| continuous learning | 持续学习，使模型能够适应新数据分布并避免遗忘旧知识的学习范式。 |
| catastrophic forgetting | 灾难性遗忘，模型在学习新任务时丢失旧任务知识的现象。 |
| domain shift | 域偏移，训练数据与测试数据分布不一致的情况，常见于自动驾驶环境变化。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅