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

该研究提出了一种新颖的无监督域自适应框架，用于将分类学表示从标记源域（数据集）转换到未标记的目标域（数据集），并使用一种新颖的域相似性损失将域自适应任务制定为一个单类分类问题。

May, 2019

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

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

本论文提出了一种通过细致的监督设计，驱动重新识别网络学习语义对齐特征表示的框架，其中包括了一个带编码器（SA-Enc）的 Semantics Aligning Network (SAN) 用于重新识别，以及一个解码器（SA-Dec）用于重建 / 回归密集语义对齐全纹理图像，并在三元组 ReID 约束下增加感知损失，以确保推断的计算效率。该设计取得了基准数据集 CUHK03，Market1501，MSMT17 和部分人物重新 ID 数据集 Partial REID 等的最佳表现。

May, 2019

本文介绍了一种双分布对齐网络 (DDAN)，通过选择性对齐多个源域的分布将图像映射到域不变特征空间，然后通过双层约束，即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明，在大规模域泛化人员重识别基准测试中，DDAN 可以很好地对齐各种源域的分布，并显着优于所有现有的域泛化方法。

Jul, 2020

该论文提出了一种基于无监督领域自适应的 person re-identification（Re-ID）网络模型，能够在没有外部监督数据的情况下，利用来自多个数据源的信息，提取出具有领域不变性的特征向量，并在实验中取得了比其他同类方法更好的效果。

Apr, 2018

本文提出了一个可行的在线适应和隐私保护的无监督领域适应方法，使用知名的 Market-1501，Duke 和 MSMT17 基准测试对最新的 UDA 算法进行了适应和评估。

May, 2022

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

本研究旨在探索利用多个标记数据集来学习通用的域不变表示，以适用于每个新的人重新识别场景。通过开发 DataHunter 来搜集 YouTube-Human 和其他标注数据集，本文提出了一个简单但有效的半监督知识蒸馏框架，并在 FastHuman 基准测试上证明了所提出的框架的有效性，可与目标领域上的监督学习相媲美。同时，研究者希望该基准测试能够带来领域可推广的人重新识别算法的下一步发展。

Aug, 2021