跨場(chǎng)景持續(xù)行人重識(shí)別技術(shù)，是目標(biāo)檢測(cè)和目標(biāo)跟蹤的重要環(huán)節(jié)，通過(guò)從連續(xù)的數(shù)據(jù)流中不斷學(xué)習(xí)，隨著時(shí)間的推移進(jìn)行非重疊相機(jī)檢索相同身份的行人。該項(xiàng)技術(shù)可用于視頻監(jiān)控、智能安防、多機(jī)協(xié)同檢測(cè)等場(chǎng)景。
然而，在跨場(chǎng)景持續(xù)行人重識(shí)別任務(wù)中，往往存在著任務(wù)間隔閡和模型表征能力受限等問(wèn)題，限制了模型在舊知識(shí)抗遺忘與新信息自適應(yīng)學(xué)習(xí)之間的平衡能力。
近日，中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所機(jī)器人學(xué)研究室機(jī)器智能研究組科研團(tuán)隊(duì)提出了一種多樣化表征嵌入框架，可有效地提升模型的抗遺忘和自適應(yīng)學(xué)習(xí)能力。該框架采用基于Transformer的主干網(wǎng)絡(luò)，通過(guò)最大化嵌入和多重類別令牌技術(shù)，為每個(gè)實(shí)例生成多個(gè)表征。為了提升模型的表征能力，科研團(tuán)隊(duì)設(shè)計(jì)了自適應(yīng)約束模塊，通過(guò)對(duì)多個(gè)表征執(zhí)行整合和判別操作，確保特征多樣性的同時(shí)消除冗余信息?？蒲袌F(tuán)隊(duì)還提出了知識(shí)更新和知識(shí)保護(hù)策略，強(qiáng)化模型對(duì)新信息適應(yīng)能力的同時(shí)保護(hù)歷史知識(shí)。在大規(guī)模數(shù)據(jù)集、遮擋場(chǎng)景等11個(gè)數(shù)據(jù)集上，驗(yàn)證了所提方法的有效性。
該研究以Diverse Representations Embedding for Lifelong Person Re-Identification為題發(fā)表于IEEE?Transactions?on?Neural?Networks?and?Learning?Systems。沈陽(yáng)自動(dòng)化所博士生劉世本為第一作者，范慧杰研究員為通訊作者。
上述研究得到了國(guó)家自然科學(xué)基金和機(jī)器人與智能系統(tǒng)全國(guó)重點(diǎn)實(shí)驗(yàn)室等項(xiàng)目支持。
