图像-文本-图像知识转移为终身的人重新识别与混合服装状态

科学领域:

• 计算机视觉
• 人工智能
• 机器学习

背景情况:

• 智能监控网络需要终身个人重新识别 (LReID) 来实现跨领域的自我进化.
• 现有的LReID方法通常假设静态的衣物,限制现实世界的适用性.
• 一个更实用的场景涉及混合服装状态,

研究的目的:

• 提出一个更现实的人一生重新识别与混合服装状态 (LReID-Hybrid) 任务.
• 解决LReID-Hybrid中的知识细分化和陈述不匹配问题.
• 在LReID-Hybrid中开发一个有效的知识对齐,转移和积累的新框架.

主要方法:

• 推出了一个名为Teata的新框架, 运行在"图像-文本-图像"封闭循环中.
• 设计结构化语义提示 (SSP) 学习分解文本提示以实现统一的知识提炼.
• 实施了知识适应和预测 (KAP) 战略,以避免灾难性遗忘.

主要成果:

• 在LReID-Hybrid任务中,Teata框架表现出优越性.
• 拟议的方法在传统的LReID基准上也取得了强的表现.
• 实验结果证实了SSP学习和KAP策略的有效性.

结论:

• Teata有效地处理了与混合服装状态的终身重新认同的复杂性.
• 该框架能够在动态环境中进行强有力的知识转移和积累.
• 提出的方法有助于推进人体重新识别的最新研究.