边云连续体中面向联邦无监督行人重识别的联合优化

行人重识别（ReID）旨在跨非重叠摄像头视角重新识别行人。由于行人 ReID 数据包含敏感个人信息，研究者已采用联邦学习这一新兴分布式训练方法来缓解隐私泄露风险。然而，现有研究依赖耗时费力获取的数据标签。我们提出 FedUReID，一种联邦无监督行人 ReID 系统，可在无标签且保护隐私的前提下学习行人 ReID 模型。FedUReID 支持在边缘端利用无标签数据进行就地模型训练。云服务器聚合来自边缘的模型而非集中原始数据，从而保护数据隐私。此外，针对边缘在数据量与分布上各异的问题，我们通过云与边缘的联合优化实现边缘个性化训练。具体而言，我们提出个性化轮次以重分配整个训练过程的计算，个性化聚类以迭代预测无标签数据的合适标签，以及个性化更新以将服务器聚合模型适配至各边缘。在八个行人 ReID 数据集上的大量实验表明，FedUReID 不仅精度更高，还将计算成本降低 29%。我们的带联合优化的 FedUReID 系统将为更多无标签多媒体任务实现联邦学习提供启示。