論文の概要: Prompt-Anchored Vision-Text Distillation for Lifelong Person Re-identification

• arxiv url: http://arxiv.org/abs/2605.05027v1
• Date: Wed, 06 May 2026 15:23:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.904053
• Title: Prompt-Anchored Vision-Text Distillation for Lifelong Person Re-identification
• Title（参考訳）: 健常者再識別のためのプロンプトアンコールドビジョンテキスト蒸留法
• Abstract要約: 生涯人物再識別(LReID)は、逐次的に収集されたデータで一般化可能なモデルを訓練することを目的としている。 既存の非現代的なアプローチは、視覚のみの蒸留やパラメータ正規化に大きく依存している。 本稿では,意味的アライメントとドメイン間一般化のための非対称な視覚テキストフレームワークであるPrompt-Anchored Vision-text Distillation (PAD)を提案する。
• 参考スコア（独自算出の注目度）: 60.02530716177415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lifelong person re-identification (LReID) aims to train a generalizable model with sequentially collected data. However, such models often suffer from semantic drift, limited adaptability, and catastrophic forgetting as new domains emerge. Existing exemplar-free approaches largely rely on visual-only distillation or parameter regularization, while overlooking the potential of auxiliary modalities, such as text, to preserve semantic stability and enable incremental plasticity. We observe that the frozen text encoder in pretrained vision-language models can serve as a stable semantic anchor across domains. To decouple the roles of vision and text, we propose Prompt-Anchored vision-text Distillation (PAD), an asymmetric vision-text framework for semantic alignment and cross-domain generalization. On the textual side, we distill prompts to preserve vision-text alignment under a fixed semantic space, acting as a global semantic reference rather than a dominant learning signal. On the visual side, an EMA-based teacher with an adaptive prompt pool enables domain-wise adaptation by allocating new slots while freezing past ones. Extensive experiments show that PAD substantially outperforms state-of-the-art methods across seen and unseen domains, achieving a strong balance between stability and plasticity. Project page is available at https://github.com/zu-zi/PAD.
• Abstract（参考訳）: 生涯人物再識別(LReID)は、逐次的に収集されたデータで一般化可能なモデルを訓練することを目的としている。 しかし、そのようなモデルは、しばしば意味的なドリフト、限定的な適応性、そして、新しいドメインが出現するにつれて破滅的な忘れに悩まされる。 既存の非現代的アプローチは、視覚のみの蒸留やパラメータ正規化に大きく依存しているが、テキストのような補助的なモダリティの可能性を見越して、意味的安定性を保ち、漸進的な可塑性を可能にする。 我々は、事前学習された視覚言語モデルにおける凍結したテキストエンコーダが、ドメイン間の安定したセマンティックアンカーとして機能することを観察する。 視覚とテキストの役割を分離するために,意味的アライメントとドメイン間一般化のための非対称な視覚テキストフレームワークであるPrompt-Anchored Vision-text Distillation (PAD)を提案する。 テキスト側では,固定された意味空間の下で視覚テキストアライメントを維持するためのプロンプトを抽出し,支配的な学習信号ではなく,グローバルな意味参照として機能する。 視覚面では、適応的なプロンプトプールを持つEMAベースの教師は、過去のスロットを凍結しながら新しいスロットを割り当てることで、ドメインワイドな適応を可能にする。 大規模な実験により、PADは目に見える領域や見えない領域で最先端の手法を大幅に上回り、安定性と可塑性のバランスを保っていることが示されている。 プロジェクトページはhttps://github.com/zu-zi/PAD.comで公開されている。

関連論文リスト

• Continual Visual Learning under Evolving Semantic Concept Shift [1.565870461096057]
  SemReWriteは、有効な知識を保持しながら、古いビジュアルセマンティックマッピングを選択的に更新するフレームワークである。 また、ImageNet、iNaturalist、CUB-200-2011、DomainNetにまたがるEvoShift-Benchについても、クラス分割、マージ、境界修正、挿入、部分再定義、再発、混合セマンティック-外観シフトを含むセマンティックトランジションを導入している。
  論文  参考訳（メタデータ） (2026-08-24T23:14:46Z)
• Towards Domain-Generalized Open-Vocabulary Object Detection: A Progressive Domain-invariant Cross-modal Alignment Method [59.30562121800656]
  Open-Vocabulary Object Detectionは、新しいカテゴリへの一般化において大きな成功を収めた。 我々は、OVODパラダイムの原則的な見直しを行い、根本的な脆弱性を明らかにする。 PICA(Progressive Domain-invariant Cross-Modal Alignment)を提案する。
  論文  参考訳（メタデータ） (2026-03-29T07:39:31Z)
• Footprint-Guided Exemplar-Free Continual Histopathology Report Generation [3.361593315894868]
  本稿では,WSI-to-Report生成のための非定型連続学習フレームワークを提案する。 中心となるアイデアは、凍結したパッチ埋め込み空間に構築されたコンパクトなドメインフットプリントである。 我々のアプローチは、前例のないリハーサルベースラインと限定的なリハーサルベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-02-27T08:58:03Z)
• Steering Vision-Language Pre-trained Models for Incremental Face Presentation Attack Detection [62.89126207012712]
  顔提示攻撃検出(PAD)は、スプーフィング戦術やドメインと戦うために漸進的な学習を要求する。 過去のデータ保持を禁止し、リハーサルフリーラーニング(RF-IL)を必要とするプライバシー規制
  論文  参考訳（メタデータ） (2025-12-22T04:30:11Z)
• Constrained Prompt Enhancement for Improving Zero-Shot Generalization of Vision-Language Models [57.357091028792325]
  ウェブスケールのデータに基づいて事前訓練された視覚言語モデル(VLM)は、ゼロショットの一般化を約束するが、しばしば意味的ミスアライメントに悩まされる。 視覚・テクストアライメントを改善するために,制約付きプロンプトエンハンスメント(CPE)法を提案する。 提案手法はTGSSG(Topology-Guided Synonymous Semantic Generation)とCADRS(Calegory-Agnostic Discriminative Region Selection)の2つの重要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-08-24T15:45:22Z)
• Harnessing Textual Semantic Priors for Knowledge Transfer and Refinement in CLIP-Driven Continual Learning [47.56496248878093]
  継続的な学習は、過去の知識を忘れずにタスクの流れから学習する能力をモデルに装備することを目的としている。 本稿では,テキスト先行のアンチフォッゲッティングと構造化の性質を利用した統合フレームワークを提案し,セマンティック・アウェア・ナレッジ・トランスファーを導く。
  論文  参考訳（メタデータ） (2025-08-03T04:09:00Z)
• Prompt Disentanglement via Language Guidance and Representation Alignment for Domain Generalization [75.88719716002014]
  ドメイン一般化 (Domain Generalization, DG) は、目に見えないターゲットドメインに対して効果的に機能する汎用モデルの開発を目指している。 VFM(Pre-trained Visual Foundation Models)の最近の進歩は、ディープラーニングモデルの一般化能力を向上する大きな可能性を示している。 VFMの制御可能で柔軟な言語プロンプトを活用することで,この問題に対処することを提案する。
  論文  参考訳（メタデータ） (2025-07-03T03:52:37Z)
• Dynamic Textual Prompt For Rehearsal-free Lifelong Person Re-identification [30.782126710974165]
  生涯にわたる人物の再識別は、カメラを越えて人々を認識し、継続的なデータストリームから新たな知識を統合する。 主な課題は、パラメータの更新とドメインシフトに起因する破滅的な忘れに対処することである。 本稿では,テキスト記述をガイダンスとして用いて,サンプルを保持せずにドメイン間の不変性を学習するReIDモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-09T00:57:19Z)
• Fine-Grained Semantically Aligned Vision-Language Pre-Training [151.7372197904064]
  大規模な視覚言語による事前学習は、幅広い下流タスクにおいて顕著な進歩を見せている。 既存の手法は主に、画像とテキストのグローバルな表現の類似性によって、モーダル間のアライメントをモデル化する。 ゲーム理論的相互作用の新たな視点から, 微粒なセマンティックアライメントを学習する, 微粒なセマンティックなvisiOn-langUage PrEトレーニングフレームワークであるLOを導入する。
  論文  参考訳（メタデータ） (2022-08-04T07:51:48Z)

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。