論文の概要: From Laboratory to Real World: A New Benchmark Towards Privacy-Preserved Visible-Infrared Person Re-Identification

• arxiv url: http://arxiv.org/abs/2503.12232v1
• Date: Sat, 15 Mar 2025 18:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:31:20.203632
• Title: From Laboratory to Real World: A New Benchmark Towards Privacy-Preserved Visible-Infrared Person Re-Identification
• Title（参考訳）: 実験室から実世界へ:プライバシー保護型可視光人物再同定に向けた新たなベンチマーク
• Authors: Yan Jiang, Hao Yu, Xu Cheng, Haoyu Chen, Zhaodong Sun, Guoying Zhao,
• Abstract要約: 現実世界の監視コンテキストでは、データは複数のデバイス/エンティティに分散され、プライバシとオーナシップの懸念が高まる。 実世界のアプリケーションにVI-ReIDを近づけるベンチマークであるL2RWを提案する。
• 参考スコア（独自算出の注目度）: 32.64320734048732
• License:
• Abstract: Aiming to match pedestrian images captured under varying lighting conditions, visible-infrared person re-identification (VI-ReID) has drawn intensive research attention and achieved promising results. However, in real-world surveillance contexts, data is distributed across multiple devices/entities, raising privacy and ownership concerns that make existing centralized training impractical for VI-ReID. To tackle these challenges, we propose L2RW, a benchmark that brings VI-ReID closer to real-world applications. The rationale of L2RW is that integrating decentralized training into VI-ReID can address privacy concerns in scenarios with limited data-sharing regulation. Specifically, we design protocols and corresponding algorithms for different privacy sensitivity levels. In our new benchmark, we ensure the model training is done in the conditions that: 1) data from each camera remains completely isolated, or 2) different data entities (e.g., data controllers of a certain region) can selectively share the data. In this way, we simulate scenarios with strict privacy constraints which is closer to real-world conditions. Intensive experiments with various server-side federated algorithms are conducted, showing the feasibility of decentralized VI-ReID training. Notably, when evaluated in unseen domains (i.e., new data entities), our L2RW, trained with isolated data (privacy-preserved), achieves performance comparable to SOTAs trained with shared data (privacy-unrestricted). We hope this work offers a novel research entry for deploying VI-ReID that fits real-world scenarios and can benefit the community.
• Abstract（参考訳）: 照明条件の異なる歩行者画像に合わせるため、視覚的赤外線人物識別(VI-ReID)が注目され、有望な成果を上げている。 しかし、現実の監視環境では、データは複数のデバイス/エンティティに分散され、プライバシーと所有権の懸念が高まり、既存の集中トレーニングがVI-ReIDに非現実的になる。 これらの課題に対処するため、現実のアプリケーションにVI-ReIDを近づけるベンチマークであるL2RWを提案する。 L2RWの理論的根拠は、分散トレーニングをVI-ReIDに統合することで、限られたデータ共有規制を持つシナリオにおけるプライバシー上の懸念に対処できるということだ。 具体的には、プライバシ感受性の異なるプロトコルとそれに対応するアルゴリズムを設計する。 新しいベンチマークでは、以下の条件でモデルのトレーニングが実行されることを保証しています。 1)各カメラからのデータは、完全に隔離されているか、 2) 異なるデータエンティティ(例えば、ある領域のデータコントローラ)は、そのデータを選択的に共有することができる。 このように、現実の状況に近い厳密なプライバシー制約を伴うシナリオをシミュレートする。 各種サーバサイドフェデレーションアルゴリズムによる集中的な実験を行い、分散VI-ReIDトレーニングの可能性を示した。 特に、未確認領域(すなわち新しいデータエンティティ)で評価されると、分離されたデータ(プライバシ保存)でトレーニングされたL2RWは、共有データ(プライバシ制限なし)でトレーニングされたSOTAに匹敵するパフォーマンスを達成する。 この作業は、現実のシナリオに適合し、コミュニティに利益をもたらすVI-ReIDをデプロイするための、新しい研究エントリを提供することを期待しています。

関連論文リスト

• Collaborative Learning of Anomalies with Privacy (CLAP) for Unsupervised Video Anomaly Detection: A New Baseline [7.917971102697765]
  監視アプリケーションにおける教師なし(US)ビデオ異常検出(VAD)の人気が高まっている。 本稿では, 複雑な監視ビデオにおける異常事象を, 完全に教師なしの方法で位置決め可能な, 異常検出のための新しいベースラインを提案する。 我々は既存のVADデータセットを変更し、我々のアプローチと2つの大規模データセット上の既存のUS SOTAメソッドを広範囲に評価する。
  論文  参考訳（メタデータ） (2024-04-01T01:25:06Z)
• An Open-World, Diverse, Cross-Spatial-Temporal Benchmark for Dynamic Wild Person Re-Identification [58.5877965612088]
  人物再識別(ReID)は、データ駆動のディープラーニング技術のおかげで大きな進歩を遂げました。 既存のベンチマークデータセットには多様性がなく、これらのデータに基づいてトレーニングされたモデルは、動的なワイルドシナリオに対してうまく一般化できない。 OWDと呼ばれる新しいOpen-World, Diverse, Cross-Spatial-Temporalデータセットを開発した。
  論文  参考訳（メタデータ） (2024-03-22T11:21:51Z)
• FedRSU: Federated Learning for Scene Flow Estimation on Roadside Units [50.930389484343515]
  ロードサイドユニット(RSU)は、V2X通信を通じて、自動運転車の安全性とロバスト性を大幅に向上させることができる。 現在、単一のRSUの使用は主にリアルタイム推論とV2Xコラボレーションに焦点を当てている。 多数のRSUから大量のデータを統合することで、モデルトレーニングのための豊富なデータソースを提供することができます。 我々は,自己監督型シーンフロー推定のための革新的なフェデレート学習フレームワークであるFedRSUを紹介する。
  論文  参考訳（メタデータ） (2024-01-23T15:52:57Z)
• Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
  本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。 FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。 この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
  論文  参考訳（メタデータ） (2023-03-31T10:13:01Z)
• Self-Supervised Place Recognition by Refining Temporal and Featural Pseudo Labels from Panoramic Data [16.540900776820084]
  本稿では,時間的近傍と学習可能な特徴近傍を用いて未知の空間近傍を探索するTF-VPRという新しいフレームワークを提案する。 本手法は,リコール率,ロバスト性,方向多様性において,自己監督ベースラインよりも優れる。
  論文  参考訳（メタデータ） (2022-08-19T12:59:46Z)
• A Wireless-Vision Dataset for Privacy Preserving Human Activity Recognition [53.41825941088989]
  アクティビティ認識の堅牢性を改善するため,WiNN(WiFi-based and video-based neural network)が提案されている。 以上の結果から,WiViデータセットは一次需要を満足し,パイプライン内の3つのブランチはすべて,80%以上のアクティビティ認識精度を維持していることがわかった。
  論文  参考訳（メタデータ） (2022-05-24T10:49:11Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• On Exploring Pose Estimation as an Auxiliary Learning Task for Visible-Infrared Person Re-identification [66.58450185833479]
  本稿では,Pose Estimationを補助学習タスクとして活用して,エンドツーエンドフレームワークにおけるVI-ReIDタスクを支援する。 これら2つのタスクを相互に有利な方法で共同でトレーニングすることにより、高品質なモダリティ共有とID関連の特徴を学習する。 2つのベンチマークVI-ReIDデータセットの実験結果から,提案手法は一定のマージンで最先端の手法を継続的に改善することが示された。
  論文  参考訳（メタデータ） (2022-01-11T09:44:00Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Federated Extra-Trees with Privacy Preserving [20.564530457026976]
  本稿では,フェデレート・エクストラトレーズ(Federated Extra-Trees)という,新たなプライバシ保護機械学習モデルを提案する。 優れた性能を実現するために,セキュアな多施設機械学習システムを開発した。
  論文  参考訳（メタデータ） (2020-02-18T01:15:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。