Domain Gap and Privacy in Person Re-Identification
Écart de domaine et confidentialité pour la réidentification de personnes
Résumé
Person Re-Identification (Re-ID) aims to recognize individuals across non-overlapping surveillance cameras. Despite its potential for security, Re-ID models suffer from the domain gap—the discrepancy between training (source domain) and realworld deployment (target domain). Unsupervised Domain Adaptation (UDA) mitigates this issue, enabling adaptation without labeled target data. However, privacy regulations like GDPR and the AI Act impose strict limits on data storage and transfer, making traditional UDA methods, reliant on centralized data, legally and ethically problematic. To address this, we introduce Online UDA (OUDARid), which adapts models from continuous data streams without storing past data, and Distributed UDA (DUDA-Rid), which decentralizes adaptation across multiple cameras to prevent data transfer. We propose Source-Guided Similarity Preservation (S2P) and Fed-Protoid to meet these constraints. S2P mitigates catastrophic forgetting in OUDA-Rid by preserving critical feature similarities from the source domain, ensuring privacy-preserving continual adaptation. Fed-Protoid leverages federated learning to address data transfer restrictions in DUDA-Rid, allowing distributed adaptation without sharing sensitive images. Our frameworks offer a privacy-preserving solution for Person Re-ID while bridging the domain gap. We validate them across multiple scenarios, including real-to-real and synthetic-to-real adaptation, on datasets such as Market-1501, MSMT17, CUHK03, and RandPerson. The results confirm that S2P and FedProtoid achieve strong performance under real-world constraints.
La ré-identification de personnes (Re-ID) vise à identifier des individus à travers des caméras de surveillance non superposées. Malgré leur potentiel de sécurité, les modèles de Re-ID restent limités par l’écart de domaine, c’est-à-dire une divergence entre les données d’entraînement (domaine source) et de déploiement (domaine cible). L’adaptation de domaine non supervisée (UDA) permet d’atténuer ce problème sans nécessiter de labels dans le domaine cible. Cependant, les règlementations sur la confidentialité, comme le RGPD et l’AI Act, imposent des restrictions strictes sur le stockage et le transfert des données, rendant les approches UDA classiques, qui reposent sur la centralisation des données, inapplicables. Pour répondre à ces contraintes, nous introduisons l’UDA continue (OUDA-Rid), qui adapte les modèles sur un flux continu de données sans stockage, et l’UDA distribuée (DUDA-Rid), qui décentralise l’adaptation sur plusieurs cameras pour éviter le transfert de données. Nous proposons Source-Guided Similarity Preservation (S2P) et Fed-Parotoid. S2P attenue l’oubli catastrophique dans l’OUDA-Rid en préservant les similarités essentielles entre domaines source et cible, assurant ainsi une adaptation continue conforme à la confidentialité. Fed-Protoid utilise l’apprentissage fédéré pour répondre aux restrictions de transfert dans le DUDA-Rid, permettant une adaptation distribuée sans partage d’images sensibles. Nos frameworks offrent une solution de Re-ID respectueuse de la vie privée tout en réduisant l’écart de domaine. Nous les validons sur plusieurs scenarios, incluant l’adaptation réel à réel et synthétique à réel, avec des jeux de données tels que Market-1501, MSMT17, CUHK03 et RandPerson. Les résultats montrent que S2P et Fed-Protoid assurent des performances robustes dans des conditions reelles.
Origine | Version validée par le jury (STAR) |
---|