論文の概要: L2RW+: A Comprehensive Benchmark Towards Privacy-Preserved Visible-Infrared Person Re-Identification

• arxiv url: http://arxiv.org/abs/2503.12232v2
• Date: Thu, 28 Aug 2025 14:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 13:55:30.949841
• Title: L2RW+: A Comprehensive Benchmark Towards Privacy-Preserved Visible-Infrared Person Re-Identification
• Title（参考訳）: L2RW+: プライバシー保護型可視赤外線人物再同定のための総合的ベンチマーク
• Authors: Yan Jiang, Hao Yu, Mengting Wei, Zhaodong Sun, Haoyu Chen, Xu Cheng, Guoying Zhao,
• Abstract要約: 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。 プライバシーの感度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。 実験は、画像レベルと映像レベルの両方において、分散化されたVI-ReIDトレーニングの実現可能性と可能性を示す。
• 参考スコア（独自算出の注目度）: 34.816099507790206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visible-infrared person re-identification (VI-ReID) is a challenging task that aims to match pedestrian images captured under varying lighting conditions, which has drawn intensive research attention and achieved promising results. However, existing methods adopt the centralized training, ignoring the potential privacy concerns as the data is distributed across multiple devices or entities in reality. In this paper, we propose L2RW+, a benchmark that brings VI-ReID closer to real-world applications. The core rationale behind L2RW+ is that incorporating decentralized training into VI-ReID can address privacy concerns in scenarios with limited data-sharing constrains. Specifically, we design protocols and corresponding algorithms for different privacy sensitivity levels. In our new benchmark, we simulate the training under real-world data conditions that: 1) data from each camera is 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 restrictions, which is closer to real-world conditions. Comprehensive experiments show the feasibility and potential of decentralized VI-ReID training at both image and video levels. In particular, with increasing data scales, the performance gap between decentralized and centralized training decreases, especially in video-level VI-ReID. In unseen domains, decentralized training even achieves performance comparable to SOTA centralized methods. This work offers a novel research entry for deploying VI-ReID into real-world scenarios and can benefit the community. Code is available at: https://github.com/Joey623/L2RW.
• Abstract（参考訳）: Visible-Infrared person re-identification (VI-ReID) は、様々な照明条件下で撮影された歩行者画像のマッチングを目的とした課題である。 しかし、既存の方法は集中的なトレーニングを採用しており、データは複数のデバイスやエンティティに分散されているため、潜在的なプライバシー上の懸念を無視している。 本稿では,VI-ReIDを現実のアプリケーションに近づけるベンチマークであるL2RW+を提案する。 L2RW+の背景にあるおもな根拠は、分散トレーニングをVI-ReIDに組み込むことで、限られたデータ共有制約のあるシナリオにおけるプライバシー上の問題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、実際のデータ条件下でのトレーニングをシミュレートしています。 1) 各カメラのデータは完全に分離されているか 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。 このようにして、現実の状況に近い厳格なプライバシー制限を伴うシナリオをシミュレートする。 総合的な実験は、画像レベルと映像レベルの両方で分散化されたVI-ReIDトレーニングの実現可能性と可能性を示している。 特に、データスケールの増大に伴い、特にビデオレベルのVI-ReIDでは、分散トレーニングと集中トレーニングのパフォーマンスギャップが減少する。 目に見えないドメインでは、分散トレーニングはSOTA集中型メソッドに匹敵するパフォーマンスを達成する。 この研究は、現実のシナリオにVI-ReIDをデプロイするための新しい研究エントリを提供し、コミュニティに利益をもたらす。 コードは、https://github.com/Joey623/L2RWで入手できる。

関連論文リスト

• When Person Re-Identification Meets Event Camera: A Benchmark Dataset and An Attribute-guided Re-Identification Framework [82.9994467829281]
  本稿では,大規模なRGB-eventベースの人物ReIDデータセットであるEvReIDを紹介する。 データセットには118,988枚の画像ペアが含まれ、1200人の歩行者の身元をカバーし、複数の季節、シーン、照明条件のデータを収集している。 また、15の最先端のReIDアルゴリズムを評価し、データとベンチマークの両方の観点から将来の研究の基盤を構築します。
  論文  参考訳（メタデータ） (2025-07-18T05:04:59Z)
• CFReID: Continual Few-shot Person Re-Identification [130.5656289348812]
  Lifelong ReIDは、複数のドメインにまたがる知識を漸進的に学習し、蓄積するために提案されている。 LReIDモデルは、一般にプライバシとコストの懸念のためにアクセスできない、目に見えない各ドメインの大規模ラベル付きデータでトレーニングする必要がある。 本稿では,数ショットデータを用いてモデルをインクリメンタルにトレーニングし,すべてのドメインでテストするContinual Few-shot ReIDを提案する。
  論文  参考訳（メタデータ） (2025-03-24T09:17:05Z)
• 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)
• 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。