分布对齐语义适应用于终身行人重识别
计算机视觉与模式识别
2025-02-11 v2
摘要
在现实场景中，行人重识别系统需要适应空间和时间的变化。因此，在保留先前获得知识的同时，将Re-ID模型适应新领域至关重要，这被称为终身行人重识别（LReID）。先进的LReID方法依赖于从旧领域重放样本，并使用旧模型在logits上进行知识蒸馏。然而，由于隐私问题，保留先前数据是不合适的。此外，Re-ID的细粒度和开放集特性限制了蒸馏范式在积累知识方面的有效性。我们认为，在大规模多样化且具有挑战性的行人图像上训练的Re-ID模型可以获得鲁棒且通用的人类语义知识。这些语义可以很容易地作为终身应用的共享知识。在本文中，我们确定了将预训练模型适应每个应用领域所面临的挑战和差异，并引入了分布对齐语义适应（DASA）框架。它有效地调整批归一化（BN）以减轻数据分布差异的干扰，并冻结预训练的卷积层以保留共享知识。此外，我们提出了轻量级的语义适应（SA）模块，该模块有效地适应学习到的语义以增强行人表示。大量实验表明，我们提出的框架相对于先进的LReID方法具有显著优势，并且存储消耗显著降低。DASA为有效适应预训练模型进行LReID提供了一种新颖且经济高效的视角。代码可在https://github.com/QizaoWang/DASA-LReID获取。
引用
@article{arxiv.2405.19695,
title = {Distribution Aligned Semantics Adaption for Lifelong Person Re-Identification},
author = {Qizao Wang and Xuelin Qian and Bin Li and Xiangyang Xue},
journal= {arXiv preprint arXiv:2405.19695},
year = {2025}
}
备注
Accepted by Machine Learning 2025