DASK：基于自适应样式核学习的无样本式终身人重识别中的分布复现
计算机视觉与模式识别
2024-12-18 v3
摘要
终身人重识别（LReID）是一个重要但具有挑战性的任务，由于训练步骤之间的显著域间差异，导致灾难性遗忘。现有的LReID方法通常依赖数据回放和知识蒸馏来缓解这一问题。然而，数据回放方法会因存储历史示例而损害数据隐私，而知识蒸馏方法则因未被蒸馏的知识的累积遗忘而表现有限。为克服这些挑战，我们提出了一种新范例，通过建模和复现旧域的分布来增强在新数据学习期间的知识Consolidation，具有强大的抗遗忘能力，而无需存储任何示例。具体而言，我们提出了一种称为分布式复现通过自适应样式核学习（DASK）的无示例LReID方法。DASK包括一种分布式复现学习（DRL）机制，用于在每个学习步骤中将任意分布数据转换为当前数据样式。为增强DRL的样式转换能力，我们探索了一种自适应核预测网络（AKPNet），以实现实例特定的分布调整。此外，我们设计了一种基于分布式复现的LReID训练（DRRT）模块，通过旧AKPNet模型对旧分布进行复现，以实现在联合知识Consolidation方案下实现有效的新旧知识积累。实验结果表明，DASK在抗遗忘能力和泛化能力方面分别优于现有方法3.6%-6.8%和4.5%-6.5%。我们的代码可在https://github.com/zhoujiahuan1991/AAAI2025-LReID-DASK获取。
引用
@article{arxiv.2412.09224,
title = {DASK: Distribution Rehearsing via Adaptive Style Kernel Learning for Exemplar-Free Lifelong Person Re-Identification},
author = {Kunlun Xu and Chenghao Jiang and Peixi Xiong and Yuxin Peng and Jiahuan Zhou},
journal= {arXiv preprint arXiv:2412.09224},
year = {2024}
}
备注
in Proceedings of the 39th AAAI Conference on Artificial Intelligence (AAAI-25)