Privacy-Preserving Adaptive Re-Identification without Image Transfer

Re-Identification系统（Re-ID）对于公共安全至关重要，但面临着适应与其训练分布不同的环境的挑战。此外，随着对个人自由的担忧增加，公共场所正在实施严格的隐私协议，这增加了在新环境中部署准确的Re-ID系统的复杂性。例如，在欧洲联盟中，“数据最小化”和“目的限制”的原则限制了图像的保留和处理范围，仅保留必要的内容。这些法规对传统的Re-ID训练方案构成了挑战，因为这些方案依赖于将数据集中存储在服务器上。在这项工作中，我们提出了一种新的隐私保护分布式无监督域自适应人员Re-ID（DUDA-Rid）设置，以解决域漂移问题，而不需要在摄像机设备之外传输任何图像。为了解决这个问题，我们提出了Fed-Protoid，一种新的解决方案，可以直接在边缘设备中调整人员Re-ID模型。我们提出的解决方案使用从源域派生的原型在边缘设备内对特征统计进行对齐。这些源原型分布在边缘设备上，以最小化针对DUDA-Rid设置量身定制的分布式最大均值差异（MMD）损失。我们的实验提供了有力的证据，证明Fed-Protoid在准确性和通信效率方面优于所有评估方法，同时保持数据隐私。

本论文试图解决Re-ID系统在新环境中适应性差的问题，同时满足隐私保护需求。

本文提出了一种基于分布式无监督领域自适应的隐私保护人物Re-ID系统（DUDA-Rid）的新设置，使用Fed-Protoid方法在边缘设备上直接调整模型以实现域适应。

本文的实验结果表明，Fed-Protoid方法在准确性和通信效率方面优于其他方法，同时保持数据隐私。论文使用了MMD loss和源领域原型来对齐边缘设备内的特征统计。

最近的相关研究包括：'Unsupervised Domain Adaptation for Person Re-identification: A Generative Approach'、'Learning to Adapt for Person Re-identification in Unseen Domains'等。