Diverse Representation Embedding for Lifelong Person Re-Identification

“终身人员重识别”（LReID）旨在从连续的数据流中不断学习，跨越多个摄像头匹配个体。LReID 的主要挑战在于如何在增量学习新信息的同时有效地保留旧知识。任务级别的领域差距和有限的旧任务数据集是导致 ReLD 中灾难性遗忘的关键因素，而这些因素在现有方法中被忽视了。为了缓解这个问题，我们提出了一种新颖的“多样化表示嵌入”（DRE）框架，用于 LReID。所提出的 DRE 在基于实例级别和任务级别的布局上保留旧知识，同时适应新信息。具体而言，我们提出了自适应约束模块（ACM），实现多个表示之间的整合和推离操作，为每个实例获取密集的嵌入子空间，以提高在有限的旧任务数据集上的匹配能力。基于处理后的多样化表示，我们通过任务级别布局在调整模型和学习器模型之间进行知识交互，通过“知识更新”（KU）和“知识保护”（KP）策略减少任务级别领域差距，从旧任务的有限数据集中利用每个实例的多样化表示，提高模型性能，延长模型使用期限。我们在包括五个用于训练的有序-1和有序-2数据集以及六个用于推理的未见数据集在内的十一个 Re-ID 数据集上进行了广泛的实验。与现有最先进方法相比，我们的方法在整体、大规模和遮挡数据集中均取得了显著的改进。

Lifelong Person Re-Identification (LReID)需要在连续的数据流中匹配个体，如何有效地保留旧知识并增量学习新信息是该论文试图解决的问题。

该论文提出了一种新的Diverse Representation Embedding (DRE)框架，通过Adaptive Constraint Module (ACM)实现多重表示之间的集成和推离操作，为每个实例获取密集的嵌入子空间，从而提高在有限旧任务数据集上的匹配能力。在任务级布局上，通过知识更新(KU)和知识保留(KP)策略来交互调整模型和学习模型之间的知识，减少旧任务和新任务的任务级域差距，并利用有限的旧任务数据集中每个实例的多样化表示，从而提高模型性能。

该论文在11个Re-ID数据集上进行了广泛的实验，包括5个用于order-1和order-2顺序训练的seen数据集和6个用于推理的unseen数据集。与现有方法相比，该方法在整体、大规模和遮挡数据集上均取得了显著的改进。该论文的代码已在GitHub上开源。

最近的相关研究包括：1. 'Learning to Learn from Continual Domain Changes for Universal Domain Adaptation'；2. 'Incremental Learning in Computer Vision'；3. 'Continual Learning for Visual Recognition: A Review'等。