FedBPrompt：基于身体分布感知视觉提示的联邦域间推理人员重识别
计算机视觉与模式识别
2026-03-16 v1 人工智能
摘要
联邦域间推理人员重识别（FedDG-ReID）从去中心化数据中学习域间不变表示。虽然 Vision Transformer（ViT）被广泛采用，但其全局注意力往往难以区分与背景高度相似的行人或多样化视角——这一挑战在跨客户端分布迁移的 FedDG-ReID 中被放大。为此，我们提出了联邦身体分布感知视觉提示（FedBPrompt），引入可学习的视觉提示以引导 Transformer 注意力聚焦于行人中心区域。FedBPrompt 采用身体分布感知视觉提示机制（BAPM），包括：用于抑制跨客户端背景噪声的整体全身提示，以及用于捕获对姿态和视角变化不敏感的细粒度细节的身体部位对齐提示。为降低高通信开销，我们设计了基于提示的微调策略（PFTS），冻结 ViT 主干网络，仅更新轻量级提示，从而显著降低通信开销 while maintaining 适应性。广泛的实验表明，BAPM 有效增强了特征判别性和跨域泛化能力，而 PFTS 在仅少数聚合轮数内即可实现显著性能提升。此外，BAPM 和 PFTS 可以轻松集成到现有的基于 ViT 的 FedDG-ReID 框架中，使 FedBPrompt 成为联邦人员重识别中灵活且有效的解决方案。代码已提供，链接为 https://github.com/leavlong/FedBPrompt。
引用
@article{arxiv.2603.12912,
title = {FedBPrompt: Federated Domain Generalization Person Re-Identification via Body Distribution Aware Visual Prompts},
author = {Xin Xu and Weilong Li and Wei Liu and Wenke Huang and Zhixi Yu and Bin Yang and Xiaoying Liao and Kui Jiang},
journal= {arXiv preprint arXiv:2603.12912},
year = {2026}
}