論文の概要: Lifelong Person Re-identification via Privacy-Preserving Data Replay
- arxiv url: http://arxiv.org/abs/2508.01587v1
- Date: Sun, 03 Aug 2025 05:00:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:21.954347
- Title: Lifelong Person Re-identification via Privacy-Preserving Data Replay
- Title（参考訳）: プライバシー保護データリプレイによる生涯人物再識別
- Authors: Mingyu Wang, Haojie Liu, Zhiyong Li, Wei Jiang,
- Abstract要約: LReID(Lifelong person re-identification)は、ドメインシフトの下で一連のタスクに知識を段階的に蓄積することを目的としている。
近年のリプレイベース手法は, 補助記憶に記憶された過去のサンプルをリハーサルすることにより, LReIDに強い効果を示した。
プライバシ保存リプレイ(Pr2R)を実現するために,シーケンシャルデータからリプレイメモリ内のピクセル空間に情報を凝縮する手法を提案する。
- 参考スコア（独自算出の注目度）: 14.764580534110666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lifelong person re-identification (LReID) aims to incrementally accumulate knowledge across a sequence of tasks under domain shifts. Recently, replay-based methods have demonstrated strong effectiveness in LReID by rehearsing past samples stored in an auxiliary memory. However, storing historical exemplars raises concerns over data privacy. To avoid this, exemplar-free approaches attempt to match the distribution of past data without storing raw samples. Despite being privacy-friendly, these methods often suffer from performance degradation due to the forgetting of specific past knowledge representations. To this end, we propose to condense information from sequential data into the pixel space in the replay memory, enabling Privacy-Preserving Replay (Pr^2R). More specifically, by distilling the training characteristics of multiple real images into a single image, the condensed samples undergo pixel-level changes. This not only protects the privacy of the original data but also makes the replay samples more representative for sequential tasks. During the style replay phase, we align the current domain to the previous one while simultaneously adapting the replay samples to match the style of the current domain. This dual-alignment strategy effectively mitigates both class-incremental challenges and forgetting caused by domain shifts. Extensive experiments on multiple benchmarks show that the proposed method significantly improves replay effectiveness while preserving data privacy. Specifically, Pr^2R achieves 4% and 6% higher accuracy on sequential tasks compared to the current state-of-the-art and other replay-based methods, respectively.
- Abstract（参考訳）: LReID(Lifelong person re-identification)は、ドメインシフトの下で一連のタスクに知識を段階的に蓄積することを目的としている。
近年、リプレイベースの手法は、補助記憶に格納された過去のサンプルをリハーサルすることで、LReIDに強い効果を示した。
しかし、過去の例を保管することは、データのプライバシーに関する懸念を提起する。
これを避けるために、例のないアプローチは、サンプルを保存せずに過去のデータの分布を一致させようとする。
プライバシーに親しみやすい手法であるにもかかわらず、これらの手法は、特定の過去の知識表現を忘れることによる性能劣化に悩まされることが多い。
この目的のために、我々は、シーケンシャルデータからリプレイメモリ内のピクセル空間に情報を凝縮し、プライバシ保存リプレイ(Pr^2R)を可能にすることを提案する。
より具体的には、複数の実画像のトレーニング特性を単一の画像に蒸留することにより、凝縮されたサンプルはピクセルレベルの変化を受ける。
これは、元のデータのプライバシを保護するだけでなく、リプレイサンプルをシーケンシャルなタスクにもっと代表させる。
スタイルリプレイフェーズでは、現在のドメインを以前のドメインに合わせると同時に、現在のドメインのスタイルに合わせてリプレイサンプルを同時に適用します。
このデュアルアライメント戦略は、クラスインクリメンタルな課題とドメインシフトに起因する忘れを効果的に軽減します。
複数のベンチマーク実験により,提案手法はデータのプライバシを保ちながら再生効率を大幅に向上することが示された。
具体的には、Pr^2Rは、現在の最先端および他のリプレイベース手法と比較して、シーケンシャルタスクにおいて、4%と6%の精度を達成する。
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) - Continual Learning of Personalized Generative Face Models with Experience Replay [1.024113475677323]
個人化された2Dおよび3D生成顔モデルの重みを逐次更新する方法である。
我々は,モデルが連続的に微調整されることで,過去の顔の表現を破滅的に忘れてしまうことを観察した。
本稿では,ランダムサンプリングとStyleGANの潜在空間を組み合わせ,バッファを最適な凸殻として表現する新しい経験再生アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-12-03T17:56:23Z) - Prioritized Generative Replay [121.83947140497655]
本稿では,オンライン体験を再現する生成モデルを用いて,エージェントのメモリの優先的でパラメトリックなバージョンを提案する。
このパラダイムは、生成モデルの一般化能力の恩恵を受ける新しい世代と共に、過去の経験の密度化を可能にする。
このレシピは条件付き拡散モデルと単純な関連関数を用いてインスタンス化できることを示す。
論文 参考訳（メタデータ） (2024-10-23T17:59:52Z) - Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [93.90047628101155]
ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。
これを解決するために、新しいタスク学習中に過去のタスクからのデータを再生する手法を提案する。
しかし、メモリの制約やデータプライバシーの問題により、実際には期待できない。
論文 参考訳（メタデータ） (2024-01-12T12:51:12Z) - Summarizing Stream Data for Memory-Constrained Online Continual Learning [17.40956484727636]
本稿では,実画像のトレーニング特性を蒸留することにより,ストリームデータ(SSD)からの知識をより情報的なサンプルに要約することを提案する。
計算オーバーヘッドが限られているSSDは、非常に制限されたメモリバッファ下でのシーケンシャルCIFAR-100の精度を3%以上向上することを示した。
論文 参考訳（メタデータ） (2023-05-26T05:31:51Z) - Memory Replay with Data Compression for Continual Learning [80.95444077825852]
古いトレーニングサンプルの記憶コストを低減するため,データ圧縮によるメモリリプレイを提案する。
我々はこれを、クラスインクリメンタル学習のいくつかのベンチマークと、自律運転のためのオブジェクト検出の現実的なシナリオにおいて、広範囲に検証する。
論文 参考訳（メタデータ） (2022-02-14T10:26:23Z) - Replay For Safety [51.11953997546418]
経験的なリプレイでは、過去の遷移はメモリバッファに格納され、学習中に再使用される。
適切なバイアスサンプリング方式を用いることで,エファンセーフなポリシーを実現できることを示す。
論文 参考訳（メタデータ） (2021-12-08T11:10:57Z) - Continual Learning for Fake Audio Detection [62.54860236190694]
本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。
ASVspoof 2019データセットで実験が行われる。
論文 参考訳（メタデータ） (2021-04-15T07:57:05Z)
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。