面向可见-红外终身人重识别的跨模态知识解�排与对齐
计算机视觉与模式识别
2025-11-20 v1
摘要
终身人重识别(Lifelong Person Re-IDentification, LReID)旨在利用来自不同场景的连续收集的个人数据来匹配同一人。为实现在日夜之间进行连续全天候人匹配，可见-红外终身人重识别(Visible-Infrared Lifelong person Re-IDentification, VI-LReID)聚焦于来自可见和红外模态数据的顺序训练，追求所有数据上的平均性能。为此，现有方法通常利用跨模态知识蒸馏来缓解旧知识的灾难性遗忘。然而，这些方法忽略了模态特定知识获取之间的相互干扰以及模态通用知识抗遗忘，导致协同遗忘。为解决上述问题，本文提出一种Cross-modality Knowledge Disentanglement and Alignment方法，称为CKDA，通过平衡方式显式分离和保留模态特定知识和模态通用知识。具体而言，提出了Modality-Common Prompting(MCP)模块和Modality-Specific Prompting(MSP)模块，以显式解缘和净化共存于不同模态中且特定于不同模态的判别性信息，避免两者之间的相互干扰。此外，设计了Cross-modal Knowledge Alignment(CKA)模块，基于双模态原型在两个相互独立的跨模态和内模态特征空间中以平衡方式进一步对齐解缘后的新知识与旧知识。广泛的实验在四个基准数据集上验证了CKDA在状态方法方面的有效性和优越性。本论文的源代码可在https://github.com/PKU-ICST-MIPL/CKDA-AAAI2026获取。
引用
@article{arxiv.2511.15016,
title = {CKDA: Cross-modality Knowledge Disentanglement and Alignment for Visible-Infrared Lifelong Person Re-identification},
author = {Zhenyu Cui and Jiahuan Zhou and Yuxin Peng},
journal= {arXiv preprint arXiv:2511.15016},
year = {2025}
}