基于合成域适应的隐私敏感多摄像头监控异构模型融合
计算机视觉与模式识别
2026-05-12 v2 分布式、并行与集群计算
机器学习
摘要
我们提出 HeroCrystal，一个新颖的隐私保护框架，用于多摄像头域自适应目标检测，解决数据隐私、类别不平衡和异构架构等挑战。我们的框架包含三个关键阶段。在生成阶段，我们引入一种单样本、面向目标的扩散生成模块，从单个目标域图像中学习视觉风格，同时利用提示式控制合成特定目标实例。不同于需要大量目标数据且忽视语义层次差异的常规风格迁移方法，我们的方法实现了隐私保护式数据增强以降低伦理顾虑，引入可控稀有目标生成以缓解长尾类别退化。在联邦阶段，我们在客户端采用概率 Faster R-CNN 提升定位精度，采用动态模型对比策略抑制领域特定偏差。服务器端在不访问原始数据的前提下跨异构架构进行模型融合。最后，在蒸馏阶段，我们提出一种不一致类别集成算法解决跨客户端的标签不一致和架构异构性。大量实验表明，在多类隐私保护设置下，HeroCrystal 在多个跨域检测基准上超越现有多源域适应和联邦学习基准。我们的方法在隐私保护方法上实现 mAP 提升 +2.1%，并达成 33.4% 的新型态最佳 mAP，凸显了 HeroCrystal 在实现实际多摄像头 AI 监控系统方面的有效性。源码已公开于 https://github.com/ccuvislab/HeroCrystal。
引用
@article{arxiv.2605.02169,
title = {Heterogeneous Model Fusion for Privacy-Aware Multi-Camera Surveillance via Synthetic Domain Adaptation},
author = {Peggy Joy Lu and Wei-Yu Chen and Yao-Tsung Huang and Vincent Shin-Mu Tseng},
journal= {arXiv preprint arXiv:2605.02169},
year = {2026}
}
备注
42 pages, 13 figures. Published in Information Fusion (Elsevier). DOI: 10.1016/j.inffus.2026.104413