正样本对蒸馏有害：面向终身目标重识别的持续元度量学习
计算机视觉与模式识别
2022-10-05 v1
摘要
终身目标重识别从一连串重识别任务中增量学习。其目标是学习一种可应用于所有任务并能泛化到此前未见过的重识别任务的表征。主要挑战在于推理时该表征必须泛化到此前未见的身份。为解决此问题，我们将持续元度量学习应用于终身目标重识别。为防止对先前任务的遗忘，我们使用知识蒸馏并探究正样本对与负样本对的作用。基于我们观察到蒸馏损失与度量损失相互拮抗，我们提出从蒸馏中移除正样本对以使模型更新更具鲁棒性。我们的方法称为无正样本对蒸馏（Distillation without Positive Pairs, DwoPP），在人与车辆重识别数据集上的大量域内实验以及 LReID 基准上的跨域实验中进行了评估。我们的实验表明 DwoPP 显著优于当前最优方法。代码见：https://github.com/wangkai930418/DwoPP_code
引用
@article{arxiv.2210.01600,
title = {Positive Pair Distillation Considered Harmful: Continual Meta Metric Learning for Lifelong Object Re-Identification},
author = {Kai Wang and Chenshen Wu and Andy Bagdanov and Xialei Liu and Shiqi Yang and Shangling Jui and Joost van de Weijer},
journal= {arXiv preprint arXiv:2210.01600},
year = {2022}
}
备注
BMVC 2022