KIT | KIT-Bibliothek | Impressum | Datenschutz

Principles of Catastrophic Forgetting for Continual Semantic Segmentation in Automated Driving

Kalb, Tobias Michael ORCID iD icon

Abstract (englisch):

Deep learning excels at extracting complex patterns but faces catastrophic forgetting when fine-tuned on new data. This book investigates how class- and domain-incremental learning affect neural networks for automated driving, identifying semantic shifts and feature changes as key factors. Tools for quantitatively measuring forgetting are selected and used to show how strategies like image augmentation, pretraining, and architectural adaptations mitigate catastrophic forgetting.


Volltext §
DOI: 10.5445/KSP/1000171902
Veröffentlicht am 02.10.2024
Die gedruckte Version dieser Publikation können Sie hier kaufen.
Cover der Publikation
Zugehörige Institution(en) am KIT Institut für Anthropomatik und Robotik (IAR)
Publikationstyp Hochschulschrift
Publikationsjahr 2024
Sprache Englisch
Identifikator ISBN: 978-3-7315-1373-5
ISSN: 1863-6489
KITopen-ID: 1000171902
Umfang XIV, 203 S.
Serie Karlsruher Schriften zur Anthropomatik / Lehrstuhl für Interaktive Echtzeitsysteme, Karlsruher Institut für Technologie ; Fraunhofer-Inst. für Optronik, Systemtechnik und Bildauswertung IOSB Karlsruhe ; 66
Art der Arbeit Dissertation
Fakultät Fakultät für Informatik (INFORMATIK)
Institut Institut für Anthropomatik und Robotik (IAR)
Prüfungsdaten 19.02.2024
Prüfungsdatum 19.02.2024
Schlagwörter Kontinuierliches Lernen, Katastrophales Vergessen, Semantische Segmentierung, Automatisiertes Fahren, Deep Learning, Continual Learning, Deep Learning, Catastrophic Forgetting, Semantic Segmentation, Automated Driving
Relationen in KITopen
Globale Ziele für nachhaltige Entwicklung Ziel 9 – Industrie, Innovation und Infrastruktur
Referent/Betreuer Beyerer, Jürgen
Gottschalk, Hanno
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page