优化联邦行人重识别性能：基准测试与分析
计算机视觉与模式识别
2022-05-25 v1 人工智能
分布式、并行与集群计算
摘要
日益严格的数据隐私法规限制了行人重识别(ReID)的发展，因为ReID训练需要集中大量含敏感个人信息的图像数据。为解决该问题，我们引入联邦行人重识别(FedReID)——将新兴的分布式训练方法联邦学习应用于行人ReID。FedReID通过从客户端向中心服务器聚合模型更新而非原始数据来保护数据隐私。此外，我们通过基准分析在统计异构性下优化FedReID性能。我们首先构建了一个基准，包含增强算法、两种架构及九个差异很大的行人ReID数据集以模拟现实世界统计异构性。基准结果揭示了FedReID在统计异构性下的洞察与瓶颈，包括收敛挑战及在大数据集上性能不佳。基于这些洞察，我们提出三种优化方法：(1)采用知识蒸馏，通过更好地从客户端向服务器传递知识来促进FedReID收敛；(2)引入客户端聚类，通过聚合数据分布相似的客户端来提升大数据集性能；(3)提出余弦距离权重，根据客户端模型训练优劣动态更新聚合权重以提升性能。大量实验表明这些方法在所有数据集上实现了令人满意的收敛与更优性能。我们相信FedReID将为更多计算机视觉应用中联邦学习的实现与优化提供启示。
引用
@article{arxiv.2205.12144,
title = {Optimizing Performance of Federated Person Re-identification: Benchmarking and Analysis},
author = {Weiming Zhuang and Xin Gan and Yonggang Wen and Shuai Zhang},
journal= {arXiv preprint arXiv:2205.12144},
year = {2022}
}
备注
TOMM