論文の概要: Distribution-aware Knowledge Unification and Association for Non-exemplar Lifelong Person Re-identification

• arxiv url: http://arxiv.org/abs/2508.03516v1
• Date: Tue, 05 Aug 2025 14:44:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:56.020609
• Title: Distribution-aware Knowledge Unification and Association for Non-exemplar Lifelong Person Re-identification
• Title（参考訳）: 非経験者再識別のための分布認識知識の統合と関連性
• Authors: Shiben Liu, Mingyue Xu, Huijie Fan, Qiang Wang, Yandong Tang, Zhi Han,
• Abstract要約: 生涯人物再識別(LReID)は、古い知識の保存と新しい情報への適応のバランスをとるという重要な課題に遭遇する。 本稿では,これらの制約を克服する新しい分布認識型知識統合とアソシエイトフレームワークを提案する。 実験の結果,DKUAは従来の手法よりも7.6%/5.3%,平均mAP/R@1の改善率および一般化能力に優れていた。
• 参考スコア（独自算出の注目度）: 10.062289730759575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lifelong person re-identification (LReID) encounters a key challenge: balancing the preservation of old knowledge with adaptation to new information. Existing LReID methods typically employ knowledge distillation to enforce representation alignment. However, these approaches ignore two crucial aspects: specific distribution awareness and cross-domain unified knowledge learning, both of which are essential for addressing this challenge. To overcome these limitations, we propose a novel distribution-aware knowledge unification and association (DKUA) framework where domain-style modeling is performed for each instance to propagate domain-specific representations, enhancing anti-forgetting and generalization capacity. Specifically, we design a distribution-aware model to transfer instance-level representations of the current domain into the domain-specific representations with the different domain styles, preserving learned knowledge without storing old samples. Next, we propose adaptive knowledge consolidation (AKC) to dynamically generate the unified representation as a cross-domain representation center. To further mitigate forgetting, we develop a unified knowledge association (UKA) mechanism, which explores the unified representation as a bridge to explicitly model inter-domain associations, reducing inter-domain gaps. Finally, distribution-based knowledge transfer (DKT) is proposed to prevent the current domain distribution from deviating from the cross-domain distribution center, improving adaptation capacity. Experimental results show our DKUA outperforms the existing methods by 7.6%/5.3% average mAP/R@1 improvement on anti-forgetting and generalization capacity, respectively. Our code will be publicly released.
• Abstract（参考訳）: 生涯人物再識別(LReID)は、古い知識の保存と新しい情報への適応のバランスをとるという重要な課題に遭遇する。 既存のLReID法は通常、表現アライメントを強制するために知識蒸留を用いる。 しかし、これらのアプローチは、特定の分布認識とドメイン間統合知識学習の2つの重要な側面を無視している。 このような制約を克服するため,各インスタンスに対してドメインスタイルのモデリングを行い,ドメイン固有の表現を伝播させ,アンチフォッゲッティングと一般化能力を向上させる,分散知識統合・アソシエーション(DKUA)フレームワークを提案する。 具体的には、現在のドメインのインスタンスレベルの表現を異なるドメインスタイルでドメイン固有の表現に転送し、古いサンプルを保存せずに学習知識を保存するための分散認識モデルを設計する。 次に、ドメイン間表現センタとしての統一表現を動的に生成する適応的知識統合(AKC)を提案する。 そこで我々は,ドメイン間関係を明示的にモデル化し,ドメイン間ギャップを小さくするブリッジとしての統一表現を探求する統一知識連合(UKA)機構を開発した。 最後に、分散ベースの知識伝達(DKT)を提案し、現在の領域分布がクロスドメイン分布中心から逸脱することを防止し、適応能力を向上させる。 実験の結果,DKUAは従来の手法よりも7.6%/5.3%,平均mAP/R@1の改善率,一般化能力に優れていた。 私たちのコードは公開されます。

関連論文リスト

• Distribution-aware Forgetting Compensation for Exemplar-Free Lifelong Person Re-identification [13.883869481902744]
  生涯人物再識別(LReID)は、新しい情報に適応しながら、古い知識を保存する上で重要な課題である。 既存のソリューションには、この課題に対処するためのリハーサルベースおよびリハーサルフリーメソッドが含まれる。 本稿では,クロスドメイン共有表現学習とドメイン固有分布統合を探求する分散適応モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-21T11:53:43Z)
• From Limited Labels to Open Domains: An Efficient Learning Paradigm for UAV-view Geo-Localization [2.502228766495945]
  従来のUAV-view Geo-Localization(UVGL)管理パラダイムは、正のサンプル選択のためのペアデータへの厳格な依存によって制約される。 クロスドメイン不変知識伝達ネットワーク(CDIKTNet)を提案する。 本手法は,完全教師付き条件下での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-03-10T16:46:43Z)
• Domain Consistency Representation Learning for Lifelong Person Re-Identification [13.02156660844767]
  LReID(Lifelong person re-identification)は、連続データから学ぶ際に、ドメイン内識別とドメイン間ギャップの間に矛盾した関係を示す。 ドメイン内識別とドメイン間ギャップのバランスをとるために,グローバルおよび属性ワイド表現を探索する新しいドメイン一貫性表現学習(DCR)モデルを提案する。 我々のモデルは最先端のLReID法と比較して優れた性能が得られる。
  論文  参考訳（メタデータ） (2024-09-30T05:19:09Z)
• Improving Intrusion Detection with Domain-Invariant Representation Learning in Latent Space [4.871119861180455]
  マルチタスク学習を用いた2相表現学習手法を提案する。 我々は、先行空間と潜時空間の間の相互情報の最小化により、潜時空間を解き放つ。 モデルの有効性を複数のサイバーセキュリティデータセットで評価する。
  論文  参考訳（メタデータ） (2023-12-28T17:24:13Z)
• Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
  ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。 本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
  論文  参考訳（メタデータ） (2022-09-20T18:38:28Z)
• Learning Domain Invariant Representations for Generalizable Person Re-Identification [71.35292121563491]
  ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。 DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-29T18:59:48Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification [88.79480792084995]
  本稿では,ID関連・非関連特徴を解き放つ共同学習フレームワークを提案し,ID関連特徴空間にのみ適応を強制する。 我々のモデルは、ドメイン間の画像を共有外観空間と2つの別々の構造空間にエンコードするアンタングルモジュールと、共有外観空間上で対角アライメントと自己学習を行う適応モジュールを含む。
  論文  参考訳（メタデータ） (2020-07-20T17:57:02Z)
• Universal Source-Free Domain Adaptation [57.37520645827318]
  ドメイン適応のための新しい2段階学習プロセスを提案する。 Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。 Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
  論文  参考訳（メタデータ） (2020-04-09T07:26:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。