基于独立多域标签去中心化学习的行人重识别
计算机视觉与模式识别
2021-07-08 v5
摘要
由于共享和集中式大规模训练数据的可用性，深度学习在许多计算机视觉任务中取得了成功。然而，日益增长的隐私关注对深度学习提出了新挑战，特别是对于行人重识别（Re-ID）等涉及人的识别任务。在本工作中，我们通过从分布于多个具有独立多域标签空间的用户站点上的非共享私有训练数据进行去中心化学习来解决Re-ID问题。我们提出了一种称为联邦行人重识别（FedReID）的新范式，通过多个隐私保护的局部模型（本地客户端）同时学习来构建可泛化的全局模型（中心服务器）。具体而言，每个本地客户端从服务器接收全局模型更新，并使用独立于所有其他客户端的本地数据训练局部模型。然后，中心服务器聚合可迁移的局部模型更新以构建可泛化的全局特征嵌入模型，而无需访问本地数据从而保护本地隐私。该客户端-服务器协作学习过程在隐私控制下迭代执行，使FedReID能够在不共享分布式数据也不收集任何集中式数据的情况下实现去中心化学习。在十个Re-ID基准上的大量实验表明，FedReID在不使用共享训练数据的情况下取得了超越任何本地训练模型的引人注目的泛化性能，同时固有地保护了每个本地客户端的隐私。这相对于当代Re-ID方法具有独特优势。
引用
@article{arxiv.2006.04150,
title = {Decentralised Learning from Independent Multi-Domain Labels for Person Re-Identification},
author = {Guile Wu and Shaogang Gong},
journal= {arXiv preprint arXiv:2006.04150},
year = {2021}
}