正向风格积累：一种用于联邦域泛化行人重识别的风格筛选与持续利用框架
计算机视觉与模式识别
2025-07-23 v1
摘要
联邦域泛化行人重识别（FedDG-ReID）旨在通过分布式源域数据学习一个能够有效泛化到源域和目标域的全局服务器模型。现有方法主要通过风格转换来提高样本的多样性，这在一定程度上增强了模型的泛化性能。然而，我们发现并非所有风格都有助于泛化性能。因此，我们将对模型泛化性能有益或有害的风格定义为正向风格或负向风格。基于此，出现了新的问题：如何有效筛选并持续利用正向风格。为了解决这些问题，我们提出了一种风格筛选与持续利用（SSCU）框架。首先，我们为每个客户端模型设计了一个泛化增益引导的动态风格记忆（GGDSM），以筛选并积累生成的正向风格。同时，我们提出了一种风格记忆识别损失，以充分利用记忆所记忆的正向风格。此外，我们提出了一种协作风格训练（CST）策略，以充分利用正向风格。与传统的学习策略不同，我们的方法利用新生成的风格和存储在记忆中的积累正向风格，在两个不同的分支上训练客户端模型。这种训练策略旨在有效促进客户端模型快速获取新风格，并保证正向风格的持续且充分利用，这对模型的泛化性能非常有益。大量实验结果表明，我们的方法在源域和目标域上均优于现有方法。
引用
@article{arxiv.2507.16238,
title = {Positive Style Accumulation: A Style Screening and Continuous Utilization Framework for Federated DG-ReID},
author = {Xin Xu and Chaoyue Ren and Wei Liu and Wenke Huang and Bin Yang and Zhixi Yu and Kui Jiang},
journal= {arXiv preprint arXiv:2507.16238},
year = {2025}
}
备注
10 pages, 3 figures, accepted at ACM MM 2025, Submission ID: 4394