基于属性文本指导的终身人物再识别遗忘补偿
提出了一个多级存储器网络 (MMN) 来发现目标域中的多级互补信息,依赖于三个存储器模块,即部分级存储器、实例级存储器和域级存储器,来处理无监督跨域人员再识别任务,从而达到了竞争性的结果。
Jan, 2020
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
本文提出了一种名为 LUDA 的任务,旨在解决实际场景下连续自适应无监督领域人员重识别任务中的遗忘问题和标签任务的一致性问题,并设计了 CLUDA-ReID 方案,其中包括元数据协调数据回放策略和关系一致性学习等技术。
Dec, 2021
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。
Nov, 2022
该论文介绍了一种面向文本到图像人物重识别任务的统一预训练方法(UniPT),通过构建大规模的文本标注人物数据集、使用视觉-语言预训练框架来对齐图像和文本模态的特征空间,解决了数据不一致性和训练不一致性的问题。UniPT在多个数据集上取得了有竞争力的准确率。
Sep, 2023
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
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
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
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
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