Robust Knowledge Adaptation for Federated Unsupervised Person ReID

要約

個人の再識別 (ReID) は、公安における需要の増加により、近年広く研究されています。
ただし、機密性の高い個人データを収集して処理すると、プライバシーに関する懸念が生じます。
そのため、さまざまな関係者 (クライアント) 間で最小限の機密データを共有することを目的とした Person ReID のフェデレーテッド ラーニングが検討されています。
ただし、既存のフェデレーテッド ラーニング ベースの個人 ReID メソッドは、一般に面倒で時間のかかるデータ アノテーションに依存しており、クロスドメインの一貫性を保証することは困難です。
したがって、この作業では、フェデレーテッド教師なしクラスター対比 (FedUCC) 学習法が Person ReID のために提案されています。
FedUCC は、粗いものから細かいものへと続く 3 段階のモデリング戦略を導入しています。
具体的には、深層ニューラルネットワークを利用して、一般知識、専門知識、パッチ知識を発見します。
これにより、ネットワーク層の種類とそのパラメーターに基づいたローカル ドメイン固有の知識を保持しながら、クライアント間で相互の知識を共有できます。
8 つのパブリック ベンチマーク データセットでの包括的な実験により、提案された方法の最先端のパフォーマンスが実証されました。

要約(オリジナル)

Person Re-identification (ReID) has been extensively studied in recent years due to the increasing demand in public security. However, collecting and dealing with sensitive personal data raises privacy concerns. Therefore, federated learning has been explored for Person ReID, which aims to share minimal sensitive data between different parties (clients). However, existing federated learning based person ReID methods generally rely on laborious and time-consuming data annotations and it is difficult to guarantee cross-domain consistency. Thus, in this work, a federated unsupervised cluster-contrastive (FedUCC) learning method is proposed for Person ReID. FedUCC introduces a three-stage modelling strategy following a coarse-to-fine manner. In detail, generic knowledge, specialized knowledge and patch knowledge are discovered using a deep neural network. This enables the sharing of mutual knowledge among clients while retaining local domain-specific knowledge based on the kinds of network layers and their parameters. Comprehensive experiments on 8 public benchmark datasets demonstrate the state-of-the-art performance of our proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google