IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）是计算机视觉和人工智能领域顶级国际期刊，也是中国计算机学会（CCF）推荐的A类期刊，影响因子18.6。
  MIPL有1篇论文被接收，研究终身行人重识别。
  Bi-C²R: 基于双向持续兼容表征的免特征重建终身行人重识别
  Bi-C²R: Bidirectional Continual Compatible Representation for Re-indexing Free Lifelong Person Re-identification
  作者：崔振宇（博士生），周嘉欢，彭宇新
  通讯作者：彭宇新
  终身行人重识别旨在从不断采集的数据中持续学习不断涌现的行人鉴别性知识，核心挑战是模型在学习新知识时，避免对旧数据中行人鉴别性知识的灾难性遗忘。针对上述挑战，现有方法在使用新数据更新重识别模型后，通常需要重新提取数据库中所有历史图像的特征，并利用更新后的历史图像特征进行重识别，即“特征重建”。然而，由于行人数据具有高度隐私的特点，数据库中的原始图像通常无法保存，使得更新后的行人重识别模型无法对数据库中的历史图像进行特征重建，导致新模型提取的查询图像特征和旧模型提取的数据库图像特征间难以兼容，因而显著降低了终身行人重识别性能。
  针对上述问题，本文聚焦免重新索引的终身行人重识别任务，要求在不重新提取数据库中历史图像特征的情况下实现终身行人重识别。为此，本文提出了一种双向持续兼容表征方法Bi-C2R，其核心该在于通过持续更新数据库图像特征实现新旧模型提取特征间的兼容。具体贡献如下：（1）双向兼容转移网络：利用知识捕获模块与前向映射模块实现新旧知识间的平衡，并通过对称的前向和反向转移实现新旧特征间兼容；(2) 双向兼容蒸馏模块：通过对齐特征分布促进转移后特征与新特征间的兼容；(3) 双向抗遗忘蒸馏模块：通过平衡转移前后特征中的鉴别性信息，实现新旧知识的平衡；(4) 动态特征融合模块：通过自适应地融合转移特征和旧特征，缓解了由不同领域数据间差异的多样性带来的旧知识遗忘。实验结果表明，本方法在免特征重建终身行人重识别任务和传统终身行人重识别任务上均取得了性能提升。
  该论文的第一作者是北京大学王选计算机研究所2021级博士生崔振宇，通讯作者是彭宇新教授，与周嘉欢助理教授合作完成。