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34天，点击查看活动详情
论文--[1] * Wenhang Ge , Junlong Du , Ancong Wu , et al. Lifelong Person Re-identification by Pseudo Task Knowledge Preservation [J]. In AAAI, 2022.
摘要
在现实世界中，人员重新识别（ReID）的训练数据是在空间和时间变化的情况下离散收集的，这需要模型在不忘记旧知识的情况下逐步学习新知识。这个问题被称为终身重新识别（LReID）。每个任务的图像的照明和背景的变化表现出任务特定的图像风格，并导致任务域间隙。除了从旧任务中丢失数据之外，任务域间隙也是LReID中灾难性遗忘的关键因素。
本文模型倾向于学习具有任务域间隙的任务特定知识，这导致了稳定性和可塑性困境。为了克服这个问题，将LReID视为一个领域适应问题，并提出了一个伪任务知识保存框架来缓解领域差距。本文框架基于伪任务转换模块，该模块将新任务的特征映射到旧任务的特征空间，以补充旧任务的有限保存示例。通过任务特定特征空间中的额外变换特征，提出了一种任务特定领域一致性损失，以隐式地缓解任务共享知识而不是任务特定知识的学习任务领域差距。此外，为了利用旧任务的特征分布来指导知识保存，建议在额外的伪任务上保存知识，这些伪任务联合提取知识并区分身份，以便在具有任务域间隙的终身学习中实现稳定性和可塑性之间的更好平衡。大量实验表明，与最先进的终身学习和LReID方法相比，本文方法具有优越性。代码可在github.com/g3956/PTKP.
贡献
l 不同光照下和背景下每个任务的训练数据导致域间隙—提取任务共享的知识—伪知识保存框架（PTKP），该框架由伪任务转换模块组成，用于将新任务的特征映射到旧任务的特征空间，从中补充了旧任务的有限示例，以建模特定于任务的数据分布并挖掘任务共享信息。
l 为了调整任务之间的不同分布以进行域自适应，提出了任务特定的域一致性损失。为了开发超越领域一致性学习的伪任务，并利用旧任务的特征分布指导知识保存，提出了伪任务知识蒸馏损失和伪任务身份识别损失。
