基于选择性知识聚合的去中心化行人重识别
计算机视觉与模式识别
2021-10-25 v1 人工智能
摘要
现有行人重识别（Re-ID）方法多遵循集中式学习范式，即将所有训练数据共享至一个集合以进行模型学习。当不同来源数据因隐私顾虑无法共享时，该范式受限。为解决此问题，近期两项工作引入了去中心化（联邦）Re-ID学习，以构建全局泛化模型（服务器），而无需直接访问本地训练数据，亦不跨源域（客户端）共享数据。然而，这些方法在如何将泛化模型适配至具有不同Re-ID标签空间的各客户端域Re-ID任务以最大化性能方面表现不佳，原因在于缺乏对跨域数据异质性的理解。我们称之为不佳的“模型个性化”。本文提出一种用于去中心化行人Re-ID的选择性知识聚合新方法，以优化模型个性化与泛化之间的权衡。具体而言，我们将注意力归一化引入深度ReID模型的归一化层中，并提议学习各域特定的局部归一化层，其与联邦Re-ID学习中的全局模型聚合解耦。这有助于在各本地客户端域保留模型个性化知识并学习实例特定信息。此外，我们引入双重局部归一化机制以在各本地模型中学习泛化归一化层，随后将其传送至全局模型进行中心聚合。这促进了服务器上的选择性知识聚合，从而构建可用于未见新域开箱即用的全局泛化模型。在八个行人Re-ID数据集上的大量实验表明，所提出的去中心化Re-ID方法显著优于最先进的去中心化方法。
引用
@article{arxiv.2110.11384,
title = {Decentralised Person Re-Identification with Selective Knowledge Aggregation},
author = {Shitong Sun and Guile Wu and Shaogang Gong},
journal= {arXiv preprint arXiv:2110.11384},
year = {2021}
}
备注
accepted at BMVC2021