核心概念
새로운 이종 에이전트 유형을 기존 협력 인지 시스템에 지속적으로 통합할 수 있는 확장 가능한 프레임워크를 제안한다.
摘要
이 논문은 개방형 이종 협력 인지 문제를 해결하기 위해 HEAL(HEterogeneous ALliance)이라는 새로운 확장 가능한 프레임워크를 제안한다.
HEAL은 두 단계로 구성된다:
- 협력 기반 훈련 단계:
- 초기 동종 에이전트들을 이용해 통합된 특징 공간을 구축한다.
- 다중 스케일 및 전경 인식 기반의 Pyramid Fusion 네트워크를 사용하여 강력한 통합 특징 공간을 만든다.
- 새로운 에이전트 유형 훈련 단계:
- 새로운 에이전트 유형이 등장할 때, Pyramid Fusion 모듈과 탐지 헤드를 고정된 백엔드로 사용한다.
- 새로운 에이전트의 인코더만 개별적으로 훈련하여 통합 특징 공간에 정렬되도록 한다.
- 이를 통해 새로운 에이전트 유형을 통합할 때 매우 낮은 훈련 비용이 소요된다.
실험 결과, HEAL은 기존 최신 기법 대비 우수한 협력 인지 성능을 보이면서도 훈련 비용을 크게 줄일 수 있었다. 또한 새로운 에이전트 유형 통합 시 모델 및 데이터 프라이버시를 보장할 수 있다.
統計資料
새로운 에이전트 유형을 3개 추가할 때 HEAL은 HM-ViT 대비 91.5% 적은 훈련 매개변수를 사용한다.
HEAL은 OPV2V-H 데이터셋에서 AP70 기준 7.6% 더 높은 성능을 보인다.
引述
"새로운 에이전트 유형이 지속적으로 등장하는 개방형 이종 협력 인지 문제: 기존 협력 인지 시스템에 새로운 이종 에이전트 유형을 수용하면서도 높은 인지 성능과 낮은 통합 비용을 보장하는 방법은 무엇인가?"
"HEAL은 통합된 특징 공간을 유지하고 새로운 에이전트를 이 공간에 정렬시키는 방식으로 문제를 해결한다."
"HEAL의 개별 훈련 방식은 새로운 에이전트 유형 통합 시 매우 낮은 훈련 비용을 보장하며, 모델 및 데이터 프라이버시도 보호할 수 있다."