基于双知识协作的自强化原型演化框架用于半监督式终身人体重识别

当前 Lifelong 人体重识别（LReID）方法主要依赖完全标记的数据流。然而在实际场景中，标注资源有限，大量未标记数据与稀少标记样本并存，导致半监督式 LReID（Semi-LReID）问题，使 LReID 方法遭受严重性能下降。即使结合半监督策略，现有 LReID 方法也因难以处理 unlabeled 数据利用期间产生的噪声知识，导致长期适应性能有限。本文首次针对 Semi-LReID 进行研究，提出一种 novel 的 Self-Reinforcing Prototype Evolution with Dual-Knowledge Cooperation 框架（SPRED）。我们的核心创新在于建立动力原型引导的伪标签生成与 new-old 知识协同净化之间的自强化循环，以提高未标记数据利用质量。具体而言，引入可学习的身份原型，动态捕获身份分布并生成高质量伪标签。随后，dual-knowledge cooperation 方案整合当前模型的专化与历史模型的泛化， refines 噪声伪标签。通过循环设计，可逐步挖掘出可靠伪标签以改善当前阶段学习，并确保长期学习中知识的正向传播。在 established Semi-LReID benchmarks 上进行实验表明，SPRED 取得了 state-of-the-art 性能。我们的 source code 已公开于 https://github.com/zhoujiahuan1991/ICCV2025-SPRED。