AAAINov, 2022

通过知识更新和巩固实现终身人员重新识别

PDF
TL;DR提出了一种名为 Lifelong person re-identification (LReID) 的方法，通过知识刷新和巩固（KRC）模型进行学习，以实现对旧任务的记忆保持和对新旧任务的正向和反向迁移。
lifelong person re-identificationincremental learningcatastrophic forgettingknowledge refreshingknowledge consolidation
发现论文，激发创造
  • 通过自适应知识积累实现终身人员重识别

    本文提出了一种 “终身学习” 的 Person ReID 方法，采用自适应知识积累（AKA）框架来刻画人脑的认知过程，能够跨越多个领域持续学习，缓解领域变化和知识遗忘的问题，大规模实验表明该方法在推广性评估中的 mAP 指标超过其他竞争对手 5.8％。

    Mar, 2021

  • 面向终身人员重识别的自动选择知识适配器

    Lifelong Person Re-Identification (LReID) uses a novel framework called AdalReID, featuring knowledge adapters and a parameter-free auto-selection mechanism, to overcome catastrophic forgetting and improve generalization ability by incrementally building domain-specific knowledge adapters and enhancing knowledge interaction and fusion.

    May, 2024

  • 多样化的表示嵌入在持续人员再识别中的应用

    通过 Diverse Representation Embedding （DRE）框架，提出了一种新颖的 Lifelong Person Re-Identification（LReID）方法，该方法在实例级别和任务级别布局上保留老知识并适应新信息，减少旧任务和新任务之间的领域差距，从而提高模型的性能。

    Mar, 2024

  • 具有向后兼容性的终身个体再识别

    我们提出了具备向后兼容性的一种连续学习人员重识别模型，通过引入跨模型兼容性损失和知识整合方法，实现在连续到来的数据集上训练模型时对先前训练的旧模型的向后兼容性。实验结果表明，与现有方法相比，所提出的方法在向后兼容性方面取得了显着提高的性能，是更实际的人员重识别领域的有希望的工具。

    Mar, 2024

  • 基于混合服装状态的生涯式人员再识别的图像 - 文本 - 图像知识传输

    基于 $Teata$ 框架，提出一种考虑混合服饰情况的终身个体重识别任务（LReID-Hybrid），通过结构语义提示学习和知识适应与投影策略来解决知识粒度和表示的不匹配问题。实验证明，所提出的方法在 LReID-Hybrid 和传统 LReID 基准上具有优势。

    May, 2024

  • 长期换衣服个体重识别

    本文介绍了一个新的级联网络，该网络可以在不同场景下实现个人再识别，它不仅在衣服外观发生变化的情况下进行操作，而且还利用了 “soft-biometrics” 的概念，它包括身体形态等特征来增强匹配的准确性。

    May, 2020

  • 面向终身人员再识别的分布对齐语义适应

    在本文中，我们提出了一种适应分布匹配语义调整（Distribution Aligned Semantics Adaption，简称 DASA）框架，通过有效地调整 BN 以减轻数据分布差异的干扰并冻结预训练的卷积层来保留共享知识，其显著降低存储消耗，优于先进的生命周期行人重新识别方法，是一种创新且经济高效的适应预训练模型进行生命周期行人重新识别的方法。

    May, 2024

  • 具有身份知识演进的增量式摄像机目标重新识别

    本文提出一种名为 CIOR 的新的 ReID 任务，通过连续优化来自摄像机数据集的 ReID 模式来解决存储、隐私约束和相机动态变化等问题。 进行 CIOR 的 Identity Knowledge Evolution（IKE）框架由 Identity Knowledge Association（IKA）、Identity Knowledge Distillation（IKD）和 Identity Knowledge Update（IKU）组成。 评估表明，对于 CIOR，IKE 框架具有优异的性能。

    May, 2023

  • 基于时空的联邦学习在分布式边缘上进行寿命期个体识别

    该论文提出了一种名为 FedSTIL 的联合时空增量学习方法，可以解决在将人物再辨识模型部署到现实设备时面临的数据漂移问题，同时在多个分布式边缘客户端上不断优化模型。

    Jul, 2022

  • 学习适用于长期个体再识别的服饰和姿态不变的 3D 形状表示

    本研究通过提出一种新方法 3DInvarReID，旨在扩展长期人员再识别（LT-ReID）的范围，使其不仅适用于行人识别，还包括更广泛的真实世界人类活动，并考虑到大时间间隔内的服装变化场景。实验结果表明，我们的方法在人员再识别方面具有更好的性能。

    Aug, 2023