Cet article aborde le problème de la réidentification des personnes tout au long de la vie (LReID) dans l'apprentissage continu des données. La LReID présente un compromis entre la différenciation intra-domaine (différences individuelles subtiles, par exemple, vêtements, accessoires) et les différences inter-domaines. Les méthodes existantes se concentrent principalement sur la réduction des différences inter-domaines par distillation des connaissances, mais ont tendance à négliger les différences intra-domaines. Pour équilibrer la différenciation intra-domaine et les différences inter-domaines, cet article propose un nouveau modèle d'apprentissage des représentations cohérent au niveau du domaine (DCR) qui exploite les représentations globales et spécifiques aux attributs. Au niveau intra-domaine, nous exploitons la relation de complémentarité entre les représentations globales et spécifiques aux attributs pour améliorer la différenciation entre identités similaires. Pour résoudre le problème d'oubli causé par une différenciation intra-domaine excessive, nous proposons des stratégies de prévention de l'oubli (AF) et de consolidation des connaissances (KC) basées sur les attributs. Les résultats expérimentaux démontrent que le modèle DCR proposé surpasse les méthodes LReID de pointe.
