Jun, 2020

基于独立多域标签的分散学习，用于人员再识别

PDF
TL;DR本文提出了一种基于联邦学习的人员重识别模型 ——FedReID，采用了去中心化的训练方式，在保障本地隐私数据不被泄漏的前提下，通过来自多个本地客户端的模型更新，构建了一个面向全局的可推广模型，且其性能优于当下现有的算法。
deep learningprivacy preservationfederated learningdecentralized learningperson re-identification
发现论文，激发创造
  • 联邦个体重识别性能的优化：基准测试和分析

    为了解决数据隐私泄露的问题，本研究介绍了一种名为 FedReID 的联邦学习方法，该方法可在保持数据隐私的同时，对包含统计异质性的数据进行训练优化，并通过三种优化方法取得了令人满意的结果。

    May, 2022

  • 边缘 - 云连续体中联邦式无监督个人再识别的联合优化

    FedUReID 是一种基于联邦无监督学习的人物重识别系统，可在维护数据隐私的同时，在边缘计算上进行现场模型训练，通过联合优化云和边缘的个性化训练解决无监督场景下人物重识别问题。实验表明，与现有方法相比，FedUReID 不仅在精度上更高，而且计算成本降低了 29％，可用于解决无标签的多媒体任务。

    Aug, 2021

  • 联邦人员再识别性能优化通过基准分析

    本文探究了联邦学习在人物再识别（FedReID）中的应用，通过优化算法与架构，使其在真实场景中的异质性数据的表现更佳，并提出两种优化方法以解决模型聚合权重不平衡和收敛困难问题，证明策略的优越性能使其在所有数据集上表现更好。

    Aug, 2020

  • 深度转移学习用于人员再认证

    本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。

    Nov, 2016

  • 无监督行人再识别的领域摄像机自适应和多特征协同聚类

    本文提出了一种基于生成对抗网络和半监督多特征聚类的联合伪标记策略，通过无监督域适应和在非标记目标域中挖掘潜在相似性，提高目标域的特征表示能力，同时通过半监督多特征聚类学习目标域的内部数据结构，取得了良好的无监督个体重新识别表现。

    Aug, 2022

  • 基于深度学习的人员再识别原型域

    本研究提出一种基于深度学习和自动原型域发现的人员再识别方法，该方法具有自适应的学习能力和模型选择能力，可以自动选择最接近的原型域模型进行再识别，无需监督或非监督域自适应学习。实验证明，该方法优于当前大多数监督和非监督方法。

    Oct, 2016

  • 利用虚拟和真实人物进行无监督的人员重新识别

    本文提出了一种无监督人物再识别方法，使用虚拟和真实数据进行训练，产生虚拟数据作为有标记的训练数据，利用协作过滤技术进行正样本挖掘，通过迭代优化来训练模型，实验结果表明该方法在无监督人物再识别方面达到了最先进水平。

    Nov, 2018

  • 去中心化数据协作无监督视觉表征学习

    该研究提出了一种名为 FedU 的联邦无监督学习框架，可以在保护数据隐私的同时利用去中心化的未标记图像数据学习视觉表示，并针对数据的非独立同分布问题提出了有效方法，实验证明其优于其他方法。

    Aug, 2021

  • 使用隐私保护联邦学习和领域适应的多站点 fMRI 分析：ABIDE 结果

    本研究提出一种联邦学习方法来解决多中心 fMRI 分类任务中的隐私问题，采用分散式的迭代优化算法并在本地模型权重上实现随机化机制，通过两种域自适应方法来解决不同中心 fMRI 分布的系统性差异，实现了对多组医疗数据隐私保护的高质量分析。

    Jan, 2020

  • 多尺度深度学习架构用于人员再识别

    本篇研究提出了一种新的多尺度深度学习模型，能够在不同尺度上学习深度的区分特征，并自动确定最适合匹配的尺度，明确地学习不同空间位置提取区分特征的重要性，实验证明该模型在多项基准测试中优于现有技术。

    Sep, 2017