[Paper] Bi-C2R: 双向持续兼容表示用于免重新索引的终身人物再识别

Source: arXiv - 2512.25000v1

概述

本文介绍了 Bi‑C2R，一种新颖的框架，使得 终身 人员再识别（Re‑ID）成为可能，而无需传统上在每次模型更新后必须对所有历史库图像进行重新处理的昂贵“重新索引”步骤。通过使旧模型和新模型的特征表示相互 兼容，Bi‑C2R 让系统能够持续从新数据中学习，同时仍然可以针对静态库进行查询——这对于注重隐私的大规模部署是一次重要的进步。

关键贡献

• 新任务定义 – RFL‑ReID：形式化 Re‑index‑Free Lifelong Re‑ID，其中在模型更新后历史图库特征无法重新计算。
• 双向连续兼容表示 (Bi‑C2R)：一种双向兼容学习方案，使当前模型的特征与旧模型的特征 相互 对齐，确保跨模型检索的无缝衔接。
• 理论兼容性保证：提供分析表明学习到的表示在更新后仍保持相似性关系，减轻灾难性遗忘。
• 广泛的实证验证：在多个基准数据集（如 Market‑1501、MSMT17）上展示了在新 RFL‑ReID 设置和经典 L‑ReID 场景下的最先进性能。
• 效率提升：消除对数百万图库图像重新提取特征的需求，大幅降低计算成本和存储开销。

方法论

1. 双兼容头 – 网络在主干上附加两个投影头：一个将 new 模型特征映射到 old 特征空间，另一个将 old 特征映射到 new 空间。
2. 双向损失 – 在每个增量训练阶段，模型优化以下组合：
   • 跨模型对比损失（对齐跨时间的配对样本）。
   • 标准 Re‑ID 分类与三元组损失（保持当前数据的判别能力）。
3. 无内存图库更新 – 训练后，仅对 compatibility heads 应用于现有图库嵌入，生成可直接用于最新查询编码器的更新向量。不会存储或重新处理原始图像。
4. 持续学习主干 – 使用轻量级的复现缓冲区（或正则化项）来保留旧类别原型，进一步降低遗忘，同时保持内存使用适度。

结果与发现

• 接近完整重建的性能：Bi‑C2R 缩小了理想（完整重建）与朴素“无更新”基线之间 >90% 的性能差距。
• 在多次增量更新中保持稳定：在 10 次连续更新后，mAP 的下降 <2%，表明有效缓解了灾难性遗忘。
• 速度与存储：通过兼容头更新图库仅需 <0.5 s（针对一百万嵌入），而在相同硬件上完整特征提取需 >30 min。

实际意义

• 以隐私为先的部署 – 组织可以将原始监控视频离线保存（或直接删除），同时仍能提升 Re‑ID 模型，因为只需保留和更新紧凑的嵌入向量。
• 成本效益的扩展 – 大规模零售或智慧城市系统可以在不重新处理全部历史图库的情况下，新增摄像头数据或季节性数据，从而节省 GPU 时间和能源。
• 持续改进流水线 – 开发者可以将 Bi‑C2R 融入 CI/CD 工作流：每次模型检查点自动刷新图库嵌入，实现新架构的 A/B 测试而无需停机。
• 跨域适应性 – 由于兼容性是双向学习的，同一框架在更换骨干网络（例如从 ResNet‑50 切换到轻量级 MobileNet 用于边缘设备）时，无需破坏已有部署。

限制与未来工作

• Compatibility head overhead – 添加两个投影头会适度增加模型规模和推理延迟；未来工作可以探索更轻量的对齐机制。
• Rehearsal buffer dependence – 当前方法仍依赖少量过去样本的缓冲区；完全消除该缓冲区将进一步降低内存占用。
• Domain shift robustness – 虽然基准测试显示出强劲的结果，但极端的领域转移（例如夜间与白天摄像头）仍可能导致兼容性下降，表明需要自适应的领域感知对齐。
• Extending beyond person Re‑ID – 作者计划在车辆 Re‑ID、商品搜索等其他检索任务上测试 Bi‑C2R，这些任务同样存在无重新索引的约束。

作者

• Zhenyu Cui
• Jiahuan Zhou
• Yuxin Peng

论文信息

• arXiv ID: 2512.25000v1
• Categories: cs.CV
• Published: 2025年12月31日
• PDF: 下载 PDF