CFReID：持续few-shot人员重识别
计算机视觉与模式识别
2025-11-07 v2
摘要
现实世界的监控系统正在动态演化，要求人员重识别模型能够持续处理来自不同域的新数据。在此基础上，已提出Lifelong ReID(LReID)以在多个域中逐步学习和积累知识。然而，LReID模型需要针对每个不可见域进行大规模标注数据训练，而这些数据通常因隐私和成本问题而难以获取。本文提出了新的范式，即持续few-shot ReID(CFReID)，要求模型在few-shot数据条件下进行增量训练，并在所有已见域上进行测试。在few-shot条件下，CFReID面临两个核心挑战：1)从不可见域的few-shot数据中学习知识，2)避免已见域的灾难性遗忘。为解决这两个挑战，我们提出了从特征分布视角构建的Stable Distribution Alignment(SDA)框架。具体而言，SDA由两个模块组成，即Meta Distribution Alignment(MDA)和基于原型的few-shot Adaptation(PFA)。为支持CFReID的研究，我们在五个公开可用的ReID数据集上建立了CFReID的评估基准。大量实验表明，SDA可以在few-shot条件下增强few-shot学习和抗遗忘能力。值得注意的是，我们的方法仅使用5%的数据，即32个身份，即可显著优于LReID的SOTA性能，而后者需要700至1000个身份。
关键词
引用
@article{arxiv.2503.18469,
title = {CFReID: Continual Few-shot Person Re-Identification},
author = {Hao Ni and Lianli Gao and Pengpeng Zeng and Heng Tao Shen and Jingkuan Song},
journal= {arXiv preprint arXiv:2503.18469},
year = {2025}
}
备注
This manuscript has been withdrawn due to significant restructuring of its contents. The extended sections are being developed into a standalone paper