Domain Consistency Representation Learning for Lifelong Person Re-Identification

📄 arXiv: 2409.19954v4 📥 PDF

作者: Shiben Liu, Huijie Fan, Qiang Wang, Weihong Ren, Yandong Tang, Yang Cong

分类: cs.CV, cs.AI

发布日期: 2024-09-30 (更新: 2025-09-03)

备注: 12 pages, 7 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出域一致性表征学习(DCR)模型，解决终身ReID中域内区分性和域间一致性的矛盾。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 终身行人重识别 域一致性学习 表征学习 知识蒸馏 反遗忘 属性学习 全局表征 知识巩固

📋 核心要点

  1. 现有终身ReID方法在维持域间一致性时，往往忽略了域内区分性，导致性能瓶颈。
  2. DCR模型通过探索全局和属性级别的表征，作为平衡域内区分性和域间差距的桥梁。
  3. 实验结果表明，DCR模型在终身ReID任务上取得了优于现有方法的性能。

📝 摘要（中文）

终身行人重识别(LReID)在从连续数据中学习时，表现出域内区分性和域间差距之间的矛盾关系。域内区分性侧重于个体细微差别（如服装类型、配饰等），而域间差距强调域一致性。在最大化域内区分性和最小化域间差距之间取得平衡是提高LReID性能的关键挑战。现有方法大多通过知识蒸馏来减少域间差距，以保持域一致性，但往往忽略了域内区分性。为了解决这一挑战，我们提出了一种新的域一致性表征学习(DCR)模型，该模型探索全局和属性方面的表征，作为平衡域内区分性和域间差距的桥梁。在域内层面，我们探索全局和属性方面表征之间的互补关系，以提高相似身份之间的区分度。过度学习域内区分性可能导致灾难性遗忘。我们进一步开发了一种面向属性的反遗忘(AF)策略，该策略探索属性方面的表征以增强域间一致性，并提出了一种知识巩固(KC)策略以促进知识转移。大量实验表明，与最先进的LReID方法相比，我们的DCR取得了优异的性能。我们的代码可在https://github.com/LiuShiBen/DCR 获取。

🔬 方法详解

问题定义：终身行人重识别(LReID)旨在解决行人表观随时间变化带来的身份识别问题。现有方法主要通过知识蒸馏来减小新旧域之间的差距，但往往忽略了增强新域数据的区分性，导致模型在新数据上表现不佳，同时可能发生灾难性遗忘。

核心思路：论文的核心思路是同时关注域内区分性和域间一致性。通过学习全局和属性级别的表征，模型既能区分同一域内的不同行人，又能保持不同域之间的一致性。这种平衡有助于提高模型在不断变化的环境中的鲁棒性和泛化能力。

技术框架：DCR模型包含以下几个主要模块：1) 全局表征学习模块，用于学习行人的整体特征；2) 属性表征学习模块，用于学习行人的属性特征（如服装颜色、类型等）；3) 属性导向的反遗忘(AF)模块，用于增强域间一致性，缓解灾难性遗忘；4) 知识巩固(KC)模块，用于促进知识在不同域之间的迁移。整体流程是先学习全局和属性表征，然后利用AF和KC策略进行知识巩固和迁移。

关键创新：DCR模型的关键创新在于同时考虑了域内区分性和域间一致性，并利用全局和属性表征作为桥梁来实现两者之间的平衡。此外，提出的属性导向的反遗忘策略和知识巩固策略有效地缓解了灾难性遗忘，并促进了知识迁移。

关键设计：属性表征学习模块使用属性预测分支来学习属性特征。属性导向的反遗忘策略通过最小化新旧模型在属性预测上的差异来保持域间一致性。知识巩固策略使用知识蒸馏损失来促进知识迁移。具体的损失函数包括交叉熵损失、三元组损失、属性预测损失、反遗忘损失和知识巩固损失。网络结构细节未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

DCR模型在多个终身行人重识别数据集上取得了显著的性能提升，超越了现有的state-of-the-art方法。具体性能数据未知，但摘要中明确指出DCR模型取得了优异的性能，证明了其有效性。

🎯 应用场景

该研究成果可应用于智能安防、智慧城市等领域，例如在监控系统中实现对行人身份的持续追踪和识别，即使行人的穿着、环境等发生变化，也能准确识别其身份。该技术还有助于提升跨摄像头行人追踪的准确率，并为视频分析提供更可靠的基础数据。

📄 摘要（原文）

Lifelong person re-identification (LReID) exhibits a contradictory relationship between intra-domain discrimination and inter-domain gaps when learning from continuous data. Intra-domain discrimination focuses on individual nuances (i.e., clothing type, accessories, etc.), while inter-domain gaps emphasize domain consistency. Achieving a trade-off between maximizing intra-domain discrimination and minimizing inter-domain gaps is a crucial challenge for improving LReID performance. Most existing methods strive to reduce inter-domain gaps through knowledge distillation to maintain domain consistency. However, they often ignore intra-domain discrimination. To address this challenge, we propose a novel domain consistency representation learning (DCR) model that explores global and attribute-wise representations as a bridge to balance intra-domain discrimination and inter-domain gaps. At the intra-domain level, we explore the complementary relationship between global and attribute-wise representations to improve discrimination among similar identities. Excessive learning intra-domain discrimination can lead to catastrophic forgetting. We further develop an attribute-oriented anti-forgetting (AF) strategy that explores attribute-wise representations to enhance inter-domain consistency, and propose a knowledge consolidation (KC) strategy to facilitate knowledge transfer. Extensive experiments show that our DCR achieves superior performance compared to state-of-the-art LReID methods. Our code is available at https://github.com/LiuShiBen/DCR.