点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达

点击进入—>【顶会/顶刊】投稿交流群

添加微信号：CVer2233，小助手拉你进群！

扫描下方二维码，加入CVer学术星球！可以获得最新顶会/顶刊上的论文idea和CV从入门到精通资料及应用！发论文/搞科研/涨薪，强烈推荐！

转载自：ReID行人重识别科研笔记

Person Re-identification

行人重识别科研笔记

Re-ID

ICCV2025：北京大学团队提出半监督终身行人重识别范式，新旧知识协同引导的原型自强化学习突破“标注稀缺”瓶颈

原文标题：Self-Reinforcing Prototype Evolution with Dual-Knowledge Cooperation for Semi-Supervised Lifelong Person Re-Identification

原文作者：Kunlun Xu（徐昆仑）, Fan Zhuo（卓凡）, Jiangmeng Li（李江梦）, Xu Zou（邹旭）, Jiahuan Zhou*（周嘉欢）

发表会议： ICCV 2025

原文链接： https://arxiv.org/pdf/2507.01884

原文发表时间： 2025年6月

原文代码地址：https://github.com/zhoujiahuan1991/ICCV2025-SPRED

摘要

在现实应用中，如监控视频流或城市安防系统中，数据每天都在产生，但标注成本高昂、数据持续变化，使得传统 ReID 方法面临严峻挑战。在长期 ReID 场景中，大量新到达的图像往往难以完全标注，而现有方法基本依赖全监督学习，无法适应这种“多阶段、弱标注”的环境。因此，北京大学周嘉欢团队最新提出一个更具现实意义的新任务——半监督终身行人重识别（Semi-Supervised Lifelong Person Re-Identification，Semi-LReID）。

图 1. 半监督终身行人重识别任务的定义和挑战

Semi-LReID的核心难点包含两个方面：

（1）标签极度稀缺：如何从少量标注中学习有效判别能力？

若直接依赖标注数据进行训练，模型易过拟合，难以学习鲁棒的知识；少量标注 + 大量伪标签进行训练，容易引入错误伪标签，从而误导模型学习。

（2）灾难性遗忘：如何在新任务学习中保留旧知识？

随着时间推移，模型在适应新数据的过程中不断更新模型参数，在长期学习中易导致模型逐渐忘记之前已学的身份表征。特别是在伪标签训练中，模型很容易偏向当前阶段数据分布，进一步加剧遗忘

为克服上述问题，论文提出了新旧知识协同引导的原型自强化（Self-Reinforcing Prototype Evolution with Dual-Knowledge Cooperation，SPRED）框架，通过可学习身份原型建模和双知识协同标签净化机制，实现了对无标签数据的高效利用与跨阶段知识积累。

方法

图2. 方法框架概览（点击图片可放大）

（1）自增强原型演化机制

通过引入可学习的身份原型，动态捕捉当前阶段的身份分布，并引导无标签数据的伪标签生成与训练。

在训练时，利用伪标签和图像数据更新原型，并引入基于原型的结构损失缓解灾难性遗忘问题。

对于更新后的类别原型，引入基于近邻原型的伪标签生成方法，为无标注数据预测伪标签。

（2）双知识协同标签净化机制

利用当前模型（短期知识）和历史模型（长期知识）协同判断伪标签质量，从而抑制噪声伪标签。

数据集设定

论文提出了Semi-LReID数据集，由12个ReID数据集构成，其中5个数据集用于终身训练（CUHK03、Market-1501、LPW、CUHK-SYSU、MSMT17-V2），旨在验证模型的新域知识学习那里和历史知识抗遗忘能力；其余7个数据集仅用于测试，旨在验证模型的泛化性能。LPW为论文基于公开视频ReID数据集Labeled Pedestrian in the Wild构建的图像ReID数据集，用以取代被原作者撤回的DukeMTMC数据集。LPW ReID数据集的构建主要通过隔帧采样完成，其数据集格式与Market-1501相同，数据规模与DukeMTMC相近。LPW ReID数据集构建过程的源代码已同论文代码一起公开。

表1  数据集信息

（点击表格查看详细内容）

实验结果

定量结果：本文方法SPRED在50%，20%和10%的标注比例下均取得了领先性能。此外，随着标注比例的降低，本方法相比于现有终身学习和半监督学习方法的优势愈加明显。这些结果展示了本方法对半监督终身学习场景的优良适应性。

特征可视化结果：在模型训练完成后，通过对训练集特征进行可视化可以看出，现有方法容易混淆不同身份的样本特征，造成模型的新知识学习能力首先。与之相比，我们的方法能够有效提升不同身份特征的鉴别性，从而引导模型学习正确知识，进而提升模型对不同域的适应能力。

表2  不同方法在多种标注比例下的性能对比

（点击表格查看详细内容）

图3  特征可视化结果

总结与展望

（1）任务和数据贡献

本项被ICCV 2025接收的工作提出了半监督终身行人重识别（Semi-LReID）任务并构建了Semi-LReID数据集，可支持在不同标注比例下验证方法的性能。

此外，本文贡献了一个新的图片ReID数据集LPW。其数据规模和构建方式与DukeMTMC相近，可代替DukeMTMC数据集支撑LReID方向的研究。

（2）技术创新

本项工作提出了一种Semi-LReID框架，主要包含以下创新性设计：

自我强化的原型演化机制：通过引入可学习身份原型，动态建模身份分布，引导伪标签生成；进而利用伪标签学习更新模型和原型；新原型又反过来提升伪标签质量。上述过程形成“原型-标签-训练”三者循环自强化机制

新旧模型双知识协同驱动的伪标签净化机制：利用当前模型和历史模型分别对未标注数据聚类，并基于跨集合一致性估计进行伪标签净化，实现模型对长期学习过程中所积累知识的有效利用。

（3） 未来展望

本项研究提出的SPRED为半监督终身行人重识别任务提供了全新范式，未来在多个方面仍有改进空间：

基于预训练大模型的半监督终身学习：本方法基于卷积网络构建模型，重点克服模型中新域知识缺乏的问题。然而，预训练大模型在众多任务中表现出了领先卷积网络的性能。由于预训练大模型是基于海量数据进行学习得到的，参数中已包含大量不同域的知识。如何在有效提取与利用已知知识的同时，引入少量的新域知识是一个重要的研究方向。

高效的半监督终身学习：现有半监督学习方法往往依赖于利用多轮数据增强、聚类等技术提升无标注样本的利用能力。然而，这些技术往往伴随着大幅计算开销，造成模型的更新效率下降。因此，探索高效的半监督终身学习机制对提高半监督终身学习算法的实用性具有重要意义。

跨类别的半监督终身重识别：现有终身重识别方法往往仅考虑单一类别的目标，例如人、车等。然而，在实际应用中，对不同类别的重识别需求层出不穷。因此，研究面向跨类别的半监督终身重识别机制对促进重识别技术的落地具有重要意义。

公众号介绍

近期专注于行人重识别领域的微信公众号“Re-ID行人重识别科研笔记”和“论文速递”专栏已正式上线。本公众号旨在为广大科研人员提供一个权威、高效的资讯平台，及时分享国内外关于行人重识别及计算机视觉领域的最新科研成果和技术动态。

   公众号发起人：

        赵才荣 教授 同济大学

        郑伟诗 教授 中山大学

        廖胜才 教授 阿联酋大学

        常晓军 教授 中国科学技术大学

        金  一 教授 北京交通大学

        叶  茫 教授 武汉大学

        张永飞 教授 北京航空航天大学

        秦  杰 教授 南京航空航天大学

        高  赞 教授 天津理工大学

   秘书长: 

        崔金荣 副教授 华南农业大学

    总编 | 赵才荣  编辑 | 崔金荣

    文字 | 郑凯华  校稿 | 周嘉欢

    时间 | 2025.10.6

本文系学术转载，如有侵权，请联系CVer小助手删文，谢谢

何恺明在MIT授课的课件PPT下载

在CVer公众号后台回复：何恺明，即可下载本课程的所有566页课件PPT！赶紧学起来！
ICCV 2025 论文和代码下载
在CVer公众号后台回复：ICCV2025，即可下载ICCV 2025论文和代码开源的论文合
CVPR 2025 论文和代码下载
在CVer公众号后台回复：CVPR2025，即可下载CVPR 2025论文和代码开源的论文合集

CV垂直方向和论文投稿交流群成立

扫描下方二维码，或者添加微信号：CVer2233，即可添加CVer小助手微信，便可申请加入CVer-垂直方向和论文投稿微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer、NeRF、3DGS、Mamba等。
一定要备注：研究方向+地点+学校/公司+昵称（如Mamba、多模态学习或者论文投稿+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群

▲扫码或加微信号: CVer2233，进交流群
CVer计算机视觉（知识星球）人数破万！如果你想要了解最新最快最好的CV/DL/AI论文、实战项目、行业前沿、从入门到精通学习教程等资料，一定要扫描下方二维码，加入CVer知识星球！最强助力你的科研和工作！

▲扫码加入星球学习

▲点击上方卡片，关注CVer公众号
整理不易，请点赞和在看