Lifelong Person Re-Identification via Adaptive Knowledge Accumulation论文笔记

Lifelong Person Re-Identification via Adaptive Knowledge Accumulation

Abstract

提出LReID，设计了Adaptive Knowledge Accumulation框架：知识表示和知识操作能力。相比于其他竞争对手的性能好5.8%mAP

Introduction

目前的深度学习方法训练过程收到固定数据集的严重限制，为了克服，提出了终生学习的方法。与传统的终生学习不同，1.LReID进一步考虑在未学习过域上的泛化能力。2.其次，LReID更关注细粒度，其数据集的类间外观变化明显小于传统的增量学习数据集，如CIFAR-100，ImageNet等。提出AKA框架解决问题。

Related Work

相关工作较少，现有的工作由于由于训练集和测试集之间的领域差距相对较小，因此它们的设置在保持所学知识的同时提高泛化能力方面的挑战性较小。

Lifelong Person Re-Identification

数据集为其中Dtr为训练图片和标签。
为测试图片和标签。
训练集和测试集是不相关的，也就是测试集中的人是没有出现在训练集中的，在第t个培训步骤中，只有可用，以前域中的数据不再可用。

Adaptive Knowledge Accumulation

Knowledge Representation

其中为一个完全连通图，AS代表边，VS代表顶点。

AKG与其相似，其计算如下：

那么如果把 gs.看成一道道题，那么通过题得到的知识积累起来的结果，我们把其看成 gk.

Knowledge Operation

进一步将“操作”分解为知识转移和知识积累。
知识转移：我们通过在基于原型的关系图和知识图之间创建链接来连接gs与gk，其。
AC通过以下式子来计算：
gj为一个连接图，其公式如下，代表积累知识与当前知识：

将两者通过图卷积网络连接起来：

通过该操作可以将当前知识融合到积累知识中去。我们现在只需要获取了积累知识的当前领域知识，也就是 。
之后融合两个当前领域知识（一个获取了累计的知识，一个未获取）。

之后进行一个三元组损失，希望融合的知识有个较好得改变（较好的改变也就是希望 比好，也就是希望
能够积累好的知识，用于改变 得到好的 ，这部分就会指导 获得好的积累知识！

希望积累好的知识让新任务变得更好，但同时也希望通过新任务更新后的积累知识应该与更新前的积累知识差的不是特别多，可以有改变，但是不能改的太多。否则就会造成灾难性遗忘，因此再添加一个损失函数。

总体损失函数为：

单词

performed 执行，表演（perform的过去分词形式）
exploit 开发，开拓；剥削；开采
distillation 蒸馏，净化；[化工]蒸馏法；精华，蒸馏物
vertices n. 至高点；天顶；头顶（vertex的复数）
vertex n. 顶点；[昆] 头顶；[天] 天顶
leverage n. 手段，影响力；杠杆作用；杠杆效率
aggregate n. 合计；集合体；总计；集料
adj. 聚合的；集合的；合计的
v. 集合；聚集；合计
utilize v. 利用
Motivated adj. 有动机的；有积极性的
vt. 使产生动机；激发……的积极性（motivate 的过去式和过去分词）
propagate v. 散播，宣传（观点、信仰等）；传播（运动、光 线、声音等）；（动植物等）繁殖，使繁殖
vi. 繁殖；增殖
retrieval n. 找回，取回；（计算机系统信息的）检索；恢复，挽回