面向分布式边缘上终身行人重识别的时空联邦学习
机器学习
2024-12-12 v2 人工智能
计算机视觉与模式识别
分布式、并行与集群计算
信息检索
摘要
数据漂移是将行人重识别(ReID)模型部署到真实设备时一个棘手挑战,其中数据分布与训练环境显著不同且持续变化。为解决这个问题,我们提出了一种联邦时空增量学习方法,名为FedSTIL,它利用终身学习与联邦学习来持续优化部署在许多分布式边缘客户端上的模型。与以往工作不同,FedSTIL旨在挖掘从不同边缘客户端学到的知识之间的时空相关性。具体而言,边缘客户端首先周期性提取漂移数据的一般表示以优化其本地模型。然后,来自边缘客户端学到的知识将由集中式参数服务器聚合,其中知识将通过精心设计的机制从空间和时间维度被选择性地、注意力式地蒸馏。最后,蒸馏得到的有信息量的时空知识将被发回相关边缘客户端,通过终身学习方法进一步提升每个边缘客户的识别准确率。在五个真实世界数据集混合上的大量实验表明,我们的方法在Rank-1准确率上优于其他方法近4%,同时将通信成本降低62%。所有实现代码已在https://github.com/MSNLAB/Federated-Lifelong-Person-ReID公开。
引用
@article{arxiv.2207.11759,
title = {Spatial-Temporal Federated Learning for Lifelong Person Re-identification on Distributed Edges},
author = {Lei Zhang and Guanyu Gao and Huaizheng Zhang},
journal= {arXiv preprint arXiv:2207.11759},
year = {2024}
}