面向无样本式终身人体重识别的分布感知遗忘补偿模型

终身人体重识别(LReID)面临的核心挑战在于在适应新信息的同时保持旧知识。现有解决方案包括基于重训的和无重训的方法来应对这一挑战。基于重训的方法依赖于知识蒸馏，在蒸馏过程中持续积累遗忘现象。无重训的方法在学习每个域的分布方面不足，导致随时间推移出现遗忘。为解决这些问题，我们提出了一种新的分布感知遗忘补偿(DAFC)模型，通过交叉域共享表示学习和域特定分布集成来实现，不使用旧样本或知识蒸馿。我们提出了文本驱动的提示聚合(TPA)方法，利用文本特征丰富提示元素，引导提示模型为每个实例学习细粒度表示。这可以增强身份信息的区分度，并为域分布感知奠定基础。随后，设计了基于分布的感知与集成(DAI)，通过专用专家网络捕获每个域特定的分布，并在高维空间中自适应地将其整合到共享区域。如此，DAI能够整合和增强跨域共享表示学习，同时缓解灾难性遗忘。此外，我们开发了知识整合机制(KCM)，包括实例级区分和跨域一致性对齐策略，分别促进模型对当前域新知识的自适应学习，并推动已获取的域特定分布之间的知识整合学习。实验结果表明，我们的DAFC超越了最先进的方法。我们的代码已公开，地址为 https://github.com/LiuShiBen/DAFC。