自动驾驶汽车必须在广泛不同的环境中稳健运行。然而，大多数当前的方法通常仅根据主要在晴朗天气条件下收集的数据进行培训和评估。

因此，arXiv.org最近的一篇论文提出了DISC，这是一种有效的域增量学习方法，它利用统计校正在不同天气条件下进行稳健的对象检测。

增量学习是一种方法，其中一次学习一个任务序列，而无需访问先前任务的数据。该方法将不同的天气条件视为不同的任务，只需要存储每种天气条件的一阶和二阶统计数据。

因此，这种方法在计算成本和内存消耗方面都非常高效。该方法适用于系统与各种天气条件交互的具有挑战性的在线环境。

尽管深度神经网络为自动驾驶提供了令人印象深刻的视觉感知性能，但它们对不同天气条件的鲁棒性仍然需要关注。在使这些模型适应变化的环境(例如不同的天气条件)时，它们很容易忘记先前学习的信息。这种灾难性的遗忘通常通过增量学习方法来解决，这些方法通常通过保留训练样本的内存库或为每个场景保留整个模型或模型参数的副本来重新训练模型。尽管这些方法显示出令人印象深刻的结果，但它们可能容易出现可扩展性问题，并且尚未显示它们在所有天气条件下对自动驾驶的适用性。在本文中，我们提出了DISC——通过统计校正的域增量——一种简单的在线零遗忘方法，可以增量学习新任务(即天气条件)，而无需重新训练或昂贵的记忆库。我们为每个任务存储的唯一信息是统计参数，因为我们通过一阶和二阶统计的变化对每个域进行分类。因此，当每个任务到达时，我们只需将相应任务的统计向量“即插即用”到模型中，它就会立即开始在该任务上表现良好。我们通过在具有挑战性的域增量自动驾驶场景中测试目标检测来展示我们方法的有效性，在该场景中我们遇到不同的不利天气条件，例如大雨、雾和雪。