CO-EVO：用于联邦DG-ReID的协同演化语义锚定与风格多样化
计算机视觉与模式识别
2026-04-30 v1 机器学习
摘要
联邦域泛化旨在person re-identification(FedDG-ReID)，旨在跨多个去中心化源域协作训练行人检索模型，以便在不损害原始数据隐私的情况下推广到未知目标环境。然而，这一任务面临着来自去中心化客户端之间固有风格差异的挑战。缺乏全局监督，模型容易受限于捷径学习，其中表示过拟合到域特定摄像头偏差，而非通用身份特征。我们提出CO-EVO，一种新型联邦框架，通过协同演化机制解决语义-风格冲突。在语义方面，Camera-Invariant Semantic Anchoring(CSA)学习具有跨摄像头一致性的身份提示，以建立已过滤本地成像噪声的域无关锚点。在视觉方面，Global Style Diversification(GSD)由Global Camera-Style Bank(GCSB)驱动，合成真实扰动以扩充训练数据的视觉边界。CO-EVO的核心是其协同演化循环，其中已过滤的锚点作为引力中心指导图像编码器向稳健的解剖属性靠近，以应对多样化的风格变化。大量实验表明，CO-EVO实现了最先进(SOTA)性能，证明了语义净化与风格扩张之间的协同对于稳健的跨域泛化至关重要。我们的代码可在https://github.com/NanYiyuzurn/ACL-LGPS-2026获得。
引用
@article{arxiv.2604.26363,
title = {CO-EVO: Co-evolving Semantic Anchoring and Style Diversification for Federated DG-ReID},
author = {Fengchun Zhang and Qiang Ma and Liuyu Xiang and Jinshan Lai and Tingxuan Huang and Jianwei Hu},
journal= {arXiv preprint arXiv:2604.26363},
year = {2026}
}
备注
Accepted at ACL 2026 (Main Conference)