单次知识迁移用于可扩展的人重新识别

人重新识别（ReID）中的边缘计算对于减少中心云服务器的负载和确保用户隐私至关重要。传统的压缩方法用于获取紧凑模型需要针对每个 individual student model 进行计算。当需要多个大小不同的模型来适应不同的资源条件时，这会导致重复且繁琐的计算。为解决这一挑战，我们提出了一种名为 OSKT（One-Shot Knowledge Transfer）的新型知识继承方法，将教师模型的知识整合到一种称为权重链的中间载体中。当下游场景需要满足特定资源约束的模型时，可以将该权重链扩展到目标模型大小，而无需额外计算。OSKT 显著优于最新的压缩方法，额外优势是一次性知识迁移，消除了对每个目标模型频繁计算的需求。