基于知识刷新与巩固的终身行人重识别
计算机视觉与模式识别
2022-11-30 v1
摘要
终身行人重识别（LReID）在实际开发中需求显著，因为大量 ReID 数据随时间从不同地点采集且本质上无法一次性获取。然而，LReID 的一个关键挑战是如何增量地保留旧知识并逐步为系统添加新能力。与大多数主要关注处理灾难性遗忘的现有 LReID 方法不同，我们的重点是一个更具挑战性的问题，即不仅试图减少对旧任务的遗忘，还旨在提升模型在终身学习过程中对新旧任务的性能。受人类认知中体感新皮层与海马体协同进行记忆巩固这一生物过程启发，我们构建了一个称为知识刷新与巩固（KRC）的模型，实现了正向与反向的知识迁移。更具体地，知识刷新方案与知识复述机制相结合，通过引入动态记忆模型和自适应工作模型来实现双向知识迁移。此外，在双空间上运行的知识巩固方案进一步提升了模型的长期稳定性。大量评估表明，KRC 在具有挑战性的行人基准上优于最先进的 LReID 方法。
引用
@article{arxiv.2211.16201,
title = {Lifelong Person Re-Identification via Knowledge Refreshing and Consolidation},
author = {Chunlin Yu and Ye Shi and Zimo Liu and Shenghua Gao and Jingya Wang},
journal= {arXiv preprint arXiv:2211.16201},
year = {2022}
}
备注
Accepted by AAAI2023