终身人搜索

人搜索是将查询人员定位到场景图像图库中的任务。现有方法主要针对单个目标数据集进行开发，但在实际应用中不断给出多样化数据集。对于这种情况，他们在训练新数据集时会因在旧数据集上的知识遗忘而受到影响。本文首先引入了终身人搜索(LPS)的新问题，即在不断训练新数据集的同时保持在旧数据集中学习的知识。我们提出了一个端到端的LPS框架，通过利用前景人员的原型特征以及旧领域中的硬背景提案，实现知识蒸馏以强制旧模型和新模型之间的一致性学习。此外，我们还发展了基于再训练的实例匹配，以额外使用无标签人员实例来进一步提高旧领域中的判别能力。实验结果表明，所提方法在保持旧领域知识方面显著优于现有方法，在检测和重识别方面表现显著优于现有方法。