为非典范终身人员重新识别而进行分布意识的知识对齐和原型化

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 终身人重新识别 (LReID) 受到非静止数据流中的灾难性遗忘的挑战.
• 现有的方法在数据隐私 (以示例为基础) 或获取能力 (以知识蒸为基础) 上面临限制.
• 在LReID中,原型研究不足,之前的工作忽视了关键的实例级多样性和分布信息.

研究的目的:

• 引入一个新的框架,分布意识的知识对齐和原型 (DKP++),以有效地终身重新识别人.
• 通过使用原型更好地平衡知识保留和获取来解决现有的LReID方法的局限性.
• 为了克服领域转移和功能缺口所带来的挑战,利用细粒度的原型信息.

主要方法:

• 实例级分布模拟网络,以捕捉每个实例内的本地多样性.
• 面向分发的原型生成算法,用于创建身份级分发原型.
• 基于原型的知识转移模块,用于从历史原型中提取知识.
• 隐私友好的分布对齐模块具有特征级限制,以减轻域名转移.

主要成果:

• DKP++有效地模拟并利用实例级多样性和身份级分布作为原型.
• 分布对齐模块成功地减轻了域名转移,提高了历史原型的利用率.
• 拟议的方法在终身学习场景中实现了可塑性和稳定性之间的卓越平衡.

结论:

• DKP++的性能远远超过了最先进的LReID方法.
• 该框架展示了分布意识原型的潜力,用于强大的终身人重新识别.
• 在动态环境中,DKP++为解决灾难性遗忘提供了一个有希望的方向.