IEEE TPAMI 2025 | 北京大学提出分布驱动的终身学习范式，用结构建模解决灾难性遗忘（

1.北大博导获ieee青年成就奖

近日，北京大学王选计算机研究所周嘉欢助理教授与彭宇新教授合作在人工智能重要国际期刊 IEEE TPAMI 发布一项最新的研究成果：DKP （Distribution-aware Knowledge Aligning and Prototyping for Non-exemplar Lifelong Person Re-Identification）。

2.北大教授退出ieee

该工作针对终身学习中的灾难性遗忘问题，提出分布建模引导的知识对齐与原型建模框架，不仅有效增强了对历史知识的记忆能力，也提升了模型的跨域学习能力本文的第一作者为北京大学北京大学王选计算机研究所助理教授周嘉欢，通讯作者为北京大学王选计算机研究所教授彭宇新。

3.北京大学igem2007

目前该研究已被 IEEE TPAMI 接收，相关代码已开源

4.esi北大

论文标题：Distribution-aware Knowledge Aligning and Prototyping for Non-exemplar Lifelong Person Re-Identification

5.北京大学edp

论文链接：https://ieeexplore.ieee.org/abstract/document/11120364代码链接：https://github.com/zhoujiahuan1991/TPAMI-DKP_Plus_Plus

6.北京大学igem

行人重识别（Person Re-Identification, ReID）旨在针对跨相机视角、跨地点、跨时间等场景中，基于视觉特征实现对同一行人图像的匹配与关联该技术在多摄像头监控、智能交通系统、城市安全管理以及大规模图像视频检索等实际场景中具有广泛应用价值。

7.北大bbsintern

然而，在现实环境中，由于采集地点、拍摄设备和时间条件的不断变化，行人图像的分布会随之发生迁移，导致测试数据与模型训练时所依赖的源数据之间存在显著的域偏移这一分布漂移问题使得传统 “静态训练 – 固定推理” 的 ReID 范式在长期动态环境中的适应性不足。

8.北京大学ptn项目

为应对这一挑战，研究者提出了更具现实意义的任务设定，终身行人重识别（Lifelong Person Re-ID, LReID）该任务要求模型在持续接收新域数据的过程中，能够高效地增量学习新知识，同时保持对先前已学习域中身份信息的辨识能力，从而实现跨时间与跨域的长期学习与知识保留。

9.北京大学icpc

研究现状终身行人重识别任务的核心挑战是灾难性遗忘问题，即模型在学习新域知识后，对旧域中行人数据的检索性能大幅降低为解决该问题，现有方法主要通过保留历史样本或采用知识蒸馏策略来缓解遗忘然而，保留历史样本的方法存在数据隐私风险和存储开销持续增长的问题；知识蒸馏方法因强制新旧模型输出一致性，制约了模型的可塑性，限制了新知识学习能力。

10.北大intern

尽管原型学习技术在类增量学习任务中取得了较高性能，但现有方法仅为每个类别保留单一特征中心，忽略了类内分布差异，导致行人的细粒度知识丢失，难以适用于依赖细粒度匹配的终身行人重识别任务研究动机动机 1：分布原型学习。

为实现无历史样本存储条件下有效保留历史知识，我们提出通过实例级分布建模挖掘数据中的细粒度信息，进而构建分布原型，提升对不同域数据信息的表征和保存能力

图 1 分布原型学习动机动机 2：跨域分布对齐虽然分布原型可有效缓解遗忘问题，由于新旧域数据存在分布鸿沟，造成历史原型对新数据学习的引导和约束作用较弱，导致模型的新知识学习能力和抗遗忘能力仍然受限为克服该挑战，我们提出引入输入端分布建模并构建跨域样本对齐机制，提升历史分布信息对新域特征学习的引导作用，从而在大幅提升模型对历史知识巩固能力的同时，保障了对新数据知识的学习能力。

图 2 跨域分布对齐动机方法设计：分布建模引导的知识对齐与原型建模框架

图