开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第15天，点击查看活动详情

论文--Nan Pu, Wei Chen, Yu Liu, Erwin M. Bakker, Michael S. Lew.Lifelong Person Re-Identifification via Adaptive Knowledge Accumulation.In CVPR,2021.

摘要

行人重识别(ReID)方法总是通过一个固定的域进行学习，该域是由给定数据集的选择确定的。在许多情况下(例如，终身学习)，这些方法是无效的，因为领域是不断变化的，在这种情况下，可能需要在多个领域的增量学习。在这项工作中，我们探索了一个新的和富有挑战性的ReID任务，即终身行人重识别(LReID)，它能够跨多个领域持续学习，甚至在新的和不可见的领域上进行归纳。根据人类大脑的认知过程，我们设计了一个自适应知识积累(AKA)框架，该框架具有两个关键能力:知识表征和知识操作。我们的方法缓解了可见域的大量遗忘，并证明了将其推广到不可见域的能力。相应地，我们也为LReID提供了一个新的、大规模的基准。大量的实验表明，我们的方法在泛化评价方面比其他竞争对手高出5.8%的mAP。

贡献

任务的贡献。我们开发了一个新的但实际的行人重识别任务，即LReID，它考虑了终身学习情景下的人再识别问题。

技术贡献。我们提出了一个新的AKA框架的LReID。AKA保持一个可学习的知识图，自适应更新之前的知识，同时转移知识，提高对任何看不见的领域的泛化，但塑性-稳定性损失。

经验的贡献。我们为LReID提供了一个新的基准和评估协议。AKA显示了比其他最先进的方法有希望的改进。

方法

AKA的目标是通过利用从以前的领域学到的可转移的知识，促进新领域的学习过程和未知领域的泛化。根据生物先验知识，AKA模仿大脑认知进程，将整个过程分为两个进程：知识表征和知识操作，如图2所示

图2:AKA框架的概述。AKA通过ψ保持AKG参数化，以组织和记忆以前学到的知识。给定来自某个领域的小批图像，利用提取的特征VS构造相似图GS，同时利用AKA从GK获取相关知识，得到获取知识的矢量表示¯VS。将所需要的知识¯VS与相应的输入特征VS进行求和，得到增强的表示，具有更好的泛化能力。

结果

5.1 实验细节*

去除ResNet-50的最后一层分类层，使用保留层作为特征提取器，生成2048维特征。AKA网络由一个GCN层组成。ū

5.2 LeID的新基准*

新基准与已经存在的行人重识别基准的不同：（1）原来关注于细粒的检索任务，现在关注于一般图像分类；（2）分类总数更大；（3）用新的行人（未出现域）去进行测试

LReID-Seen.总共有2500个行人的40459张图像作为终身训练集。

LReID-Unseen.包括3594个行人的9854张图片。