FedARKS：面向人体再识别的鲁棒性判别知识选择与集成式联邦聚合
计算机视觉与模式识别
2026-03-09 v1
摘要
联邦领域泛化在人体再识别（FedDG-ReID）中的应用旨在提升模型对未见域的泛化能力，同时保护客户端数据隐私。然而，现有主流方法通常依赖全局特征表示及简单平均聚合，导致领域泛化存在两大局限：（1）仅使用全局特征难以捕获细粒度、领域不变的局部细节（如配件或纹理）；（2）统一参数平均将所有客户端视为等价，忽略其在鲁棒特征提取能力上的差异，致使高质量客户端的贡献被稀释。为此，我们提出一种新型联邦学习框架——FedARKS（Federated Aggregation via Robust and Discriminative Knowledge Selection and Integration），包含两大机制：RK（Robust Knowledge，鲁棒知识）与KS（Knowledge Selection，知识选择）。
引用
@article{arxiv.2603.06122,
title = {FedARKS: Federated Aggregation via Robust and Discriminative Knowledge Selection and Integration for Person Re-identification},
author = {Xin Xu and Binchang Ma and Zhixi Yu and Wei Liu},
journal= {arXiv preprint arXiv:2603.06122},
year = {2026}
}