Lifelong Person Re-Identification via Knowledge Refreshing and Consolidation

要約

生涯にわたる個人の再識別 (LReID) は、現実世界の開発に大きな需要があります。これは、大量の ReID データがさまざまな場所から長期にわたって取得され、本質的に一度にアクセスできないためです。
ただし、LReID の主な課題は、古い知識を段階的に保存し、新しい機能をシステムに徐々に追加する方法です。
主に壊滅的な忘却に対処することに焦点を当てているほとんどの既存の LReID メソッドとは異なり、私たちの焦点は、古いタスクの忘却を減らすことを試みるだけでなく、新しいタスクと古いタスクの両方でモデルのパフォーマンスを向上させることも目指している、より困難な問題に焦点を当てています。
生涯学習プロセス中のタスク。
体性感覚新皮質と海馬が記憶の統合で連携する人間の認知の生物学的プロセスに着想を得て、正の前方転送と後方転送の両方を実現する Knowledge Refreshing and Consolidation (KRC) と呼ばれるモデルを策定しました。
より具体的には、動的記憶モデルと適応作業モデルを導入することによって双方向の知識伝達を可能にするために、知識リハーサル機構に知識リフレッシュ方式が組み込まれている。
さらに、二重空間で動作する知識統合スキームは、長期にわたるモデルの安定性をさらに向上させます。
広範囲にわたる評価は、挑戦的な歩行者ベンチマークで最先端の LReID 法よりも KRC が優れていることを示しています。

要約(オリジナル)

Lifelong person re-identification (LReID) is in significant demand for real-world development as a large amount of ReID data is captured from diverse locations over time and cannot be accessed at once inherently. However, a key challenge for LReID is how to incrementally preserve old knowledge and gradually add new capabilities to the system. Unlike most existing LReID methods, which mainly focus on dealing with catastrophic forgetting, our focus is on a more challenging problem, which is, not only trying to reduce the forgetting on old tasks but also aiming to improve the model performance on both new and old tasks during the lifelong learning process. Inspired by the biological process of human cognition where the somatosensory neocortex and the hippocampus work together in memory consolidation, we formulated a model called Knowledge Refreshing and Consolidation (KRC) that achieves both positive forward and backward transfer. More specifically, a knowledge refreshing scheme is incorporated with the knowledge rehearsal mechanism to enable bi-directional knowledge transfer by introducing a dynamic memory model and an adaptive working model. Moreover, a knowledge consolidation scheme operating on the dual space further improves model stability over the long term. Extensive evaluations show KRC’s superiority over the state-of-the-art LReID methods on challenging pedestrian benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google