通过域与特征幻觉实现联邦化与泛化的行人重识别
计算机视觉与模式识别
2022-03-09 v2
摘要
本文研究面向行人重识别（re-ID）的联邦域泛化（FedDG）问题，旨在利用多个分散的有标签源域学习一个泛化模型。一种经验性方法（FedAvg）单独训练本地模型并对其进行平均以获得全局模型，用于进一步的本地微调或部署于未见目标域。FedAvg的一个缺陷是在本地训练时忽略了其他客户端的数据分布，使本地模型过拟合本地数据并产生泛化能力差的全局模型。为解决该问题，我们提出一种新方法，称为“域与特征幻觉（DFH）”，以生成多样化特征用于学习泛化的本地与全局模型。具体而言，在每次模型聚合过程后，我们在不违反数据隐私的前提下于不同客户端间共享域级特征统计量（DFS）。在本地训练期间，DFS通过所提域幻觉被用于合成新颖的域统计量，其通过对DFS以随机权重重新加权实现。随后，我们提出特征幻觉，通过将本地特征缩放并偏移至所获新颖域的分布来使本地特征多样化。合成的新颖特征保留了原始的成对相似性，使我们能以监督方式利用它们优化模型。大量实验验证了所提DFH能有效提升全局模型的泛化能力。我们的方法在四个大规模re-ID基准上取得了FedDG的最先进性能。
引用
@article{arxiv.2203.02689,
title = {Federated and Generalized Person Re-identification through Domain and Feature Hallucinating},
author = {Fengxiang Yang and Zhun Zhong and Zhiming Luo and Shaozi Li and Nicu Sebe},
journal= {arXiv preprint arXiv:2203.02689},
year = {2022}
}
备注
Under Review