面向终身人体重识别的领域一致性表示学习

终身人体重识别（LReID）在从连续数据学习时，存在在域内判别与域间间隙之间的矛盾关系。域内判别关注个体细微差异（如服装类型、配件等），而域间间隙则强调领域一致性。在最大化域内判别与最小化域间间隙之间取得平衡，是提高LReID性能的关键挑战。大多数现有方法通过知识蒸馏来减少域间间隙，以维持领域一致性，但常常忽视域内判别。为解决这一挑战，我们提出一种新型领域一致性表示学习（DCR）模型，通过全局与属性级表示之间的桥梁来平衡域内判别与域间间隙。在域内层面，我们探讨全局与属性级表示之间的互补关系，以提高相似身份之间的判别。过度学习域内判别可能导致灾难性遗忘。我们进一步开发了基于属性的反遗忘（AF）策略，通过属性级表示增强域间一致性，并提出知识Consolidation（KC）策略以促进知识传递。大量实验表明，我们的DCR在性能上优于当前最先进的LReID方法。我们的代码已发布于https://github.com/LiuShiBen/DCR。