面向无监督人体重识别的反遗忘适应
计算机视觉与模式识别
2025-04-14 v3 机器学习
摘要
常规的无监督域自适应人体重识别（ReID）侧重于将模型从源域适应到固定目标域。然而，适应后的 ReID 模型几乎无法保留先前获取的知识，也难以泛化到未见数据。本文提出了双层联合适应和反遗忘（DJAA）框架，能够在不遗忘源域和每个已适应目标域的情况下逐步适应模型到新域。我们探索了使用原型和实例级一致性来缓解适应期间的遗忘的可能性。具体而言，我们存储少量代表性图像样本和相应的聚类原型于内存缓冲区，该缓冲区在每次适应步骤中更新。通过缓冲的图像和原型，我们对图像到图像相似性和图像到原型相似性进行正则化，以重演旧知识。在多步适应后，对模型在所有已见域以及几个未见域上进行测试，以验证我们方法的泛化能力。广泛的实验表明，我们提出的方法显著提高了无监督人体 ReID 模型的反遗忘、泛化和向后兼容能力。
引用
@article{arxiv.2411.14695,
title = {Anti-Forgetting Adaptation for Unsupervised Person Re-identification},
author = {Hao Chen and Francois Bremond and Nicu Sebe and Shiliang Zhang},
journal= {arXiv preprint arXiv:2411.14695},
year = {2025}
}
备注
Accepted to TPAMI