L2RW+：面向隐私保护的可见光-红外行人重识别综合基准

可见光-红外行人重识别（VI-ReID）是一项具有挑战性的任务，旨在匹配在不同光照条件下捕获的行人图像，该任务已引起广泛的研究关注并取得了有前景的结果。然而，现有方法采用集中式训练，忽略了数据在现实中分布在多个设备或实体上所带来的潜在隐私问题。在本文中，我们提出了 L2RW+，一个将 VI-ReID 推向真实场景应用的基准。L2RW+ 的核心思路在于，将去中心化训练纳入 VI-ReID 可以解决在数据共享受限场景下的隐私问题。具体而言，我们为不同的隐私敏感级别设计了协议和相应的算法。在我们的新基准中，我们模拟了真实世界数据条件下的训练：1）每个摄像头的数据完全隔离，或 2）不同数据实体（如某区域的数据控制者）可以有选择地共享数据。以这种方式，我们模拟了具有严格隐私限制的场景，这更接近真实条件。全面的实验表明了去中心化 VI-ReID 训练在图像和视频层面的可行性与潜力。特别是，随着数据规模的增大，去中心化训练与集中式训练之间的性能差距逐渐缩小，尤其在视频级 VI-ReID 中。在未见域中，去中心化训练甚至取得了与 SOTA 集中式方法相当的性能。本工作为将 VI-ReID 部署到真实场景中提供了一个新的研究切入点，并可使社区受益。代码可在以下地址获取：https://github.com/Joey623/L2RW。