图像检索中基于双向兼容训练的隐私保护模型升级
计算机视觉与模式识别
2022-05-02 v1
摘要
图像检索中隐私保护模型升级的任务旨在利用快速演进的新模型带来的益处，同时不访问原始图库图像。一项开创性工作引入了后向兼容训练，其中新模型可直接以免回填方式部署，即新查询可直接与旧图库特征比较。尽管这提供了一种可能的解决方案，其在连续模型升级中的提升逐渐受限于固定且质量不佳的旧图库嵌入。为此，我们提出一种新的模型升级范式，称为双向兼容训练（BiCT），它通过前向兼容训练升级旧图库嵌入，以逼近后向兼容新模型的嵌入空间。我们进行了全面实验来验证 BiCT 的显著提升，并有趣地观察到，后向兼容中不起眼的损失权重实际上对后向和前向检索性能都起着关键作用。总之，我们引入了一个新颖且有价值的问题，即隐私保护模型升级，并给出了恰当的解决方案 BiCT。进一步提出了若干引人深思的见解，以充分发挥我们方法的潜力。
引用
@article{arxiv.2204.13919,
title = {Privacy-Preserving Model Upgrades with Bidirectional Compatible Training in Image Retrieval},
author = {Shupeng Su and Binjie Zhang and Yixiao Ge and Xuyuan Xu and Yexin Wang and Chun Yuan and Ying Shan},
journal= {arXiv preprint arXiv:2204.13919},
year = {2022}
}