Investigação de estratégias de aprendizado contínuo para detecção de objetos de tráfego urbano

Abstract

Com o avanço das Redes Neurais Convolucionais (CNNs), multiplicaram-se as aplicações em modelos de linguagem, visão computacional e análise de vídeos. Apesar desse progresso, o esquecimento catastrófico continua como um problema que dificulta o aprendizado contínuo e, na prática, leva ao retreinamento do zero sempre que novas tarefas, classes ou domínios são introduzidos. Essa estratégia é cara e ineficiente, principalmente quando já existem métodos capazes de mitigar tal efeito no paradigma de aprendizado contínuo. Neste trabalho, é analisado o impacto do uso de técnicas de aprendizado contínuo no treinamento de CNNs para detecção de objetos no contexto de tráfego urbano

With the advancement of Convolutional Neural Networks (CNNs), applications in language models, computer vision, and video analysis have multiplied. Despite this progress, catastrophic forgetting remains a problem that hinders continual learning and, in practice, leads to retraining from scratch whenever new tasks, classes, or domains are introduced. This strategy is costly and inefficient, especially given that methods already exist to mitigate this effect within the continual learning paradigm. In this work, we analyze the impact of employing continual learning techniques in training CNNs for object detection in the context of urban traffic.