基于分布感知的知识对齐与原型设计方法，用于非样本驱动的终身人物重新识别

《IEEE Transactions on Pattern Analysis and Machine Intelligence》：Distribution-Aware Knowledge Aligning and Prototyping for Non-Exemplar Lifelong Person Re-Identification

终身人物重识别（LReID）面临灾难性遗忘问题，现有方法存在数据隐私风险或知识获取受限。本文提出DKP++框架，通过实例级分布建模、原型生成和知识转移模块解决这些问题，有效平衡知识保留与更新，实验验证其性能优于现有方法。

　　

摘要：

终身人物重新识别（LReID）在处理非静态数据流时面临着灾难性遗忘问题。现有的基于样本和基于知识蒸馏的LReID方法分别存在数据隐私问题和有限的获取能力问题。在本文中，我们提出了一个在LReID领域研究不足的原型系统，以更好地平衡知识保留与获取。以往的基于原型的研究主要集中在分类任务上，其中原型被建模为离散点或统计分布。然而，这些方法要么忽略了分布信息，要么忽略了实例级别的多样性，而这些都是LReID所需的关键细粒度线索。此外，数据源之间的领域差异导致新旧数据之间存在特征差距，限制了原型中细粒度信息的利用。为了解决这些挑战，我们提出了一个名为“分布感知知识对齐与原型构建”（DKP++）的新框架，用于在LReID中建模和利用原型。首先，引入了一个实例级分布建模网络来捕捉每个实例的局部多样性；接着，一个面向分布的原型生成算法将实例级多样性转换为身份级分布，并将这些分布存储为原型；然后，基于原型的知识转移模块将原型中的知识传递到新模型中。为了减轻领域差异对知识转移的影响，我们引入了一个隐私友好的分布对齐模块，该模块将新输入数据转换为符合历史分布的形式，并结合特征级对齐约束来增强新旧知识之间的连贯性，从而有效提高了历史原型的利用率。大量实验表明，我们的方法在可塑性和稳定性之间取得了更好的平衡，性能优于现有的最先进LReID方法...

显示更多

引言

作为计算机视觉中的传统任务，人物重新识别（ReID）[5]、[6]在静态场景下取得了显著的性能，因为训练数据可以一次性提供以便学习。然而，将这些ReID模型应用于动态场景（尤其是在由监控系统生成的流式数据环境下）时，会发现其性能存在显著限制[7]、[8]。因此，最近的研究方向转向了更具挑战性和实用性的终身人物重新识别（LReID）问题[7]、[9]，在这种场景下，训练数据是持续不断提供的，训练好的模型不仅能够获取新信息，还能保留先前获得的知识。