Principles of Catastrophic Forgetting for Continual Semantic Segmentation in Automated Driving
Kalb, Tobias Michael
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.
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