面向联邦无监督行人重识别的鲁棒知识自适应方法
计算机视觉与模式识别
2023-01-19 v1
摘要
由于公共安全需求的增长，行人重识别（ReID）近年来被广泛研究。然而，收集和处理的敏感个人数据引发了隐私担忧。因此，联邦学习已被探索用于行人 ReID，旨在不同参与方（客户端）间共享最少敏感数据。然而，现有基于联邦学习的行人 ReID 方法通常依赖费力耗时的数据标注，且难以保证跨域一致性。因此，本工作提出一种用于行人 ReID 的联邦无监督簇对比（FedUCC）学习方法。FedUCC 引入一种由粗到细的三阶段建模策略。具体而言，利用深度神经网络发掘通用知识、专用知识和块知识。这使得各客户端间可共享共性知识，同时基于网络层类型及其参数保留局部领域特定知识。在 8 个公开基准数据集上的综合实验证明了我们所提方法的 SOTA 性能。
引用
@article{arxiv.2301.07320,
title = {Robust Knowledge Adaptation for Federated Unsupervised Person ReID},
author = {Jianfeng Weng and Kun Hu and Tingting Yao and Jingya Wang and Zhiyong Wang},
journal= {arXiv preprint arXiv:2301.07320},
year = {2023}
}