MMMay, 2022

联邦个体重识别性能的优化：基准测试和分析

PDF
TL;DR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。
federated learningperson reiddata privacystatistical heterogeneityoptimization
发现论文，激发创造
  • 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

  • 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

  • 基于独立多域标签的分散学习，用于人员再识别

    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。

    Jun, 2020

  • 实用真实世界应用的人员重识别数据集和方法基准测试

    本文介绍了一种完整的方法来评估人物重新识别方法及其训练数据集在无监督实时操作方面的适用性，并以三个数据集为基准测试了四种方法，提供指南以帮助未来设计更好的人物重新识别流水线。

    Dec, 2022

  • 人员再识别的系统评估和基准测试：特征，指标和数据集

    这篇论文对于人员再识别技术进行了全面的评估和表现评估，并实现了一个包括 11 个特征提取算法和 22 种度量学习技术的统一代 码库，使用 17 个不同的数据集进行了评估，旨在为这个领域提供公开、准确、全面的基准。

    May, 2016

  • 基于时空的联邦学习在分布式边缘上进行寿命期个体识别

    该论文提出了一种名为 FedSTIL 的联合时空增量学习方法，可以解决在将人物再辨识模型部署到现实设备时面临的数据漂移问题，同时在多个分布式边缘客户端上不断优化模型。

    Jul, 2022

  • 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

  • IPFed: 身份保护联邦学习用于用户认证

    该论文提出了使用随机投影进行类别嵌入的保护隐私联邦学习 IPFed 方法，旨在解决现有方法在隐私保护和高准确性方面的困难，并证明其具备与最先进方法相当的学习能力。通过在人脸图像数据集上的实验证明，IPFed 能够在保护个人数据隐私的同时保持最先进方法的准确性。

    May, 2024

  • 采用度量集成的人员再识别学习排序

    本文提出了一种有效的结构化学习方法来解决个人重新识别问题，在大多数经过评估的基准数据集上性能优于当前最先进的方法。该方法基于多个低级手工制作和高级视觉特征，并制定了两种优化算法，直接优化常用于个人重新识别的评估措施，也称为累积匹配特性（CMC）曲线，并在实际中具有重要意义的范围内将重新识别性能集中起来。这些因素的结合导致了一个个人重新识别系统，可优于大多数现有算法。更重要的是，我们将基准测试的 rank-1 识别率从 40％提高到 50％、从 16％提高到 18％、从 43％提高到 46％、从 34％提高到 53％、从 21％提高到 62％。

    Mar, 2015

  • 可扩展的高效人员再识别回归

    通过嵌入 Fisher 准则到岭回归模型中来有效地解决了现有的行人重识别模型中复杂性和不可适应性的问题，提出了一种真正可扩展的解决方案，支持更快的超越实时的模型更新和减少人工标注，性能优于现有的行人重识别方法。

    Dec, 2016