CoReS：基于平稳性的兼容表示

兼容特征使得新旧学习特征可直接比较，从而随时间互换使用。在视觉检索系统中，这消除了在表示模型以新数据升级时从图库集提取新特征的需要。这在真实应用中具有重大价值，因为当图库集庞大时，重新索引图库集的计算代价可能高昂，甚至因隐私或应用其他考量而不可行。本文中，我们提出 CoReS，一种基于由多胞形固定分类器所提供的特征平稳性来学习与先前所学特征\textit{兼容}的表示的新训练流程。该方案下，各类在表示空间中最大化分离，并在新增类别时保持空间构型平稳，从而无需学习表示间任何映射，也无需与先前所学模型进行成对训练。我们证明该训练流程大幅优于当前 SOTA，并在训练集多次升级（真实应用中的典型情形）时尤为有效。