要約
人物再識別は、さまざまな理由からコンピュータビジョンにおいて依然として困難な課題となっています。一方で、増分学習も依然として問題であり、深層学習モデルは連続的なタスクで訓練される際に過度のカタストロフィックフォーリングを引き起こしがちです。本論文では、人物再識別における複数のタスクに使用できるモデルを提案し、様々なタスクで最先端の結果を提供するとともに、その後も高い精度を維持することが可能なことを示します。我々は提案したモデルをMarket 1501およびDuke MTMCの2つのデータセットで評価しました。広範な実験により、この手法が人物再識別（Person ReID）において効率的に増分学習を達成できることだけでなく、他のコンピュータビジョンのタスクでも同様であることが確認されました。