本月，北京大学王选计算机研究所的周嘉欢助理教授与彭宇新教授团队，在人工智能领域有了新动作，他们的研究成果，已被国际重要期刊接收，相关代码也已开源。

这项研究针对的是AI领域里一个颇受关注的难题，能让模型在学习新内容时，更好地留存过往知识，同时在不同数据场景下的适应能力也有变化。

行人重识别技术本身应用范围较广，但在实际使用中，受多种因素影响，传统模式常面临局限。

而北大团队的这项新研究，正是朝着解决这些局限的方向推进，至于具体如何实现突破、效果又有哪些不同，还需进一步了解研究细节才能明晰。

北大团队出新成果

9月，北京大学王选计算机研究所的周嘉欢助理教授和彭宇新教授合作，在人工智能领域的重要国际期刊IEEETPAMI上发布了一项新研究，成果名叫DKP++。

这个成果专门针对终身学习里的“灾难性遗忘”问题，简单说就是模型学了新东西就忘了旧知识，就像人学新技能时把老本事丢了一样。

他们提出的这个分布建模引导的知识对齐与原型建模框架，不光能让模型更好地记住以前学过的知识，还能提升模型在不同数据域之间的学习能力，这可是个不小的突破。

目前，这项研究已经被IEEETPAMI接收，相关代码也开源了，有需要的人随时能去查看使用，这点特别方便同行研究和实际应用落地。

再说说行人重识别这项技术本身，它的作用就是在不同相机视角、不同地点、不同时间的场景下，通过视觉特征找到同一个人的图像并关联起来。

像多摄像头监控、智能交通系统、城市安全管理这些实际场景，都能用得上它，应用价值特别广。

但问题也跟着来了，现实里采集地点、拍摄设备、时间一直在变，行人图像的数据分布也会跟着变，这就导致测试时用的数据和模型训练时用的源数据差别很大，也就是“域偏移”。

这种情况下，传统那种“一次训练好，之后就固定不变用”的ReID模式，在长期动态的环境里就不太好用了。

为了解决这个问题，研究者们提出了“终身行人重识别”的任务设定，简单讲，就是要求模型在不断接收新域数据的过程中。

既能高效学新知识，又能记住以前学过的不同域里行人的身份信息，实现长期学习和知识保留。

不过，终身行人重识别的核心难题还是“灾难性遗忘”，现在常见的解决办法要么是保留历史样本，要么是用知识蒸馏策略。

但保留历史样本有数据隐私泄露的风险，而且存储的东西会越来越多，成本高，知识蒸馏又会限制模型的“可塑性”，让模型学新知识的能力变弱。

还有些用原型学习技术的方法，只给每个类别留一个特征中心，忽略了同一类别内部数据的差异，导致行人的细节信息丢了，根本不适合需要精细匹配的终身行人重识别任务。

北大这个团队的研究，就是针对这些痛点来的，从这点看，他们的研究方向抓得特别准。

创新方法设计

为了解决前面说的那些问题，周嘉欢和彭宇新教授带领团队设计了DKP++这个模型，主要有四个关键设计，每一步都很有针对性。

首先是实例级细粒度建模，他们搞了个实例分布建模网络，能动态捕捉行人图像的局部细节。

要知道，行人重识别很多时候靠的就是细节，比如衣服上的小图案、发型的细微差别，这个设计为后续精细匹配打下了坚实基础，考虑得特别细致。

然后是分布感知的原型生成，他们设计了专门的算法，把前面学到的实例级分布信息整合起来，形成更靠谱的类别级分布原型。

之前那些方法只用单一特征中心，毛病不少，这个设计正好克服了这个局限，还能保留同一类别内部的差异信息，让模型对行人的认知更全面。

接着是分布对齐，他们引入了输入端分布建模机制，因为新域和旧域的数据分布差别大，就像两个说不同语言的人没法顺畅沟通一样。

这个机制能缩小这种差别，让模型更好地利用以前学过的知识，相当于给新旧知识搭了座桥。

最后是基于原型的知识迁移，他们弄了个专门的模块，用生成的分布原型和有标注的新数据一起指导模型学习。

这样一来，模型学新知识的时候，还能巩固旧知识，不会顾此失彼，这个平衡做得特别好。

再看实验效果，那也是相当出色，实验用了两个不同的训练域顺序，五个常用的行人重识别数据集。

从综合性能来看，在两种不同的域顺序下，DKP++在已学过的域上的平均性能，比现有的方法提升了5.2%-7%。

在没学过的域上的整体泛化性能，也比现有方法提升了4.5%-7.7%，这个提升幅度很可观，说明模型不管是对旧知识的掌握，还是对新知识的适应，都比以前的方法强。

而且随着已学习域的数量增加，DKP++对历史知识的巩固能力比现有方法更高，在没学过的域上的泛化性能增长速度也更快，这证明它学的知识很扎实。

不是那种“表面功夫”，更值得一提的是，不管用VF-Res还是VF-ViT作为预训练模型，DKP++都能保持优势。

说明它的适配性很强，不用受限于特定的基础模型，这在实际应用中特别实用，能减少很多限制。

技术创新突出

这次北大团队的这项研究，技术创新点很突出，一方面，他们基于实例级分布建模构建分布原型，让模型对历史信息的表达能力更强了。

以前模型记不住旧知识，很大程度就是对历史信息的刻画不够深入，这个创新正好解决了这个问题。

另一方面，他们通过域分布建模和样本分布对齐，解决了新旧域数据分布差别大的问题，让历史原型能更好地发挥作用，提升了模型学习和记忆的效率，这两个创新点都切中了行业痛点。

不过，DKP++也不是完美的，未来还有不少可以改进的方向，而且这些方向都很有研究价值和应用潜力。

第一个方向是基于大模型的分布对齐。现在DKP++的分布对齐是用简单的卷积网络实现的，要是以后能用Diffusion这类架构来做，说不定能让模型的抗遗忘能力再上一个台阶。

毕竟大模型在处理复杂数据、捕捉深层规律方面有优势，用在这上面应该能有不错的效果。

第二个方向是知识主动遗忘机制。现在模型里可能会有一些没用的冗余知识，这些知识在模型学新知识的时候会添乱，要是能设计一个机制让模型主动“丢掉”这些没用的知识。

就能让模型更专注于学有用的内容，进一步增强知识巩固和学习能力，这个方向要是能突破，对模型性能的提升会很有帮助。

第三个方向是多模态终身学习机制。实际场景里不只有图像数据，还有红外、点云、音频、文本这些多模态信息。

要是能让模型具备持续学习多模态数据的能力，就能让模型利用更多元的信息，在复杂环境下的感知能力也会更强。

比如在夜晚用红外数据识别行人，再结合音频信息辅助判断，能让识别更准确，应用场景也会更广泛。

总的来说，北大周嘉欢和彭宇新教授团队的这项研究，不仅在当下解决了终身行人重识别领域的不少难题，还为未来的研究指明了方向。

不管是对学术研究还是实际应用，都有很大的推动作用，值得期待后续更多的发展。

结语

北大周嘉欢、彭宇新教授团队的这项研究，虽已展现出解决AI关键难题的潜力，但目前揭开的还只是冰山一角。

开源的代码为更多研究者提供了探索基础，后续能否在更多实际场景中落地，还需进一步验证。

毕竟行人重识别技术的应用场景复杂多变，这项研究能否持续适配不同环境，打破传统模式的更多局限，仍值得关注。

而它为AI抗遗忘领域带来的新思路，又会催生出哪些新的研究方向，这些答案，都将在未来的探索中慢慢浮现。