面向终身行人重识别的多样化表示嵌入

终身行人重识别（LReID）旨在从连续的数据流中持续学习，跨多个摄像头匹配个体。LReID的关键挑战在于如何在增量学习新信息的同时有效保留旧知识，这由任务级域差距和有限的旧任务数据集引起。现有基于CNN骨干网络的方法不足以从不同角度探索每个实例的表示，限制了模型在有限旧任务数据集和新任务数据集上的性能。与这些方法不同，我们提出了一个多样化表示嵌入（DRE）框架，该框架首次为LReID探索了纯Transformer架构。所提出的DRE基于实例级和任务级布局，在保留旧知识的同时适应新信息。具体而言，我们提出了一个自适应约束模块（ACM），通过对基于Transformer骨干网络生成的多个重叠表示实施集成和推开操作，为每个实例获得丰富且有判别力的表示，以提高LReID的适应能力。基于处理后的多样化表示，我们通过引入调整模型和学习器模型，在任务级布局上提出了知识更新（KU）和知识保留（KP）策略。KU策略在调整模型先验下增强了学习器模型对新信息的自适应学习能力，而KP策略通过在有限的旧任务数据集中进行表示级对齐和logit级监督来保留旧知识，同时保证LReID模型的自适应学习信息容量。与最先进的方法相比，我们的方法在整体、大规模和遮挡数据集上均取得了显著提升的性能。