摘要
随着社会的进步和科技的不断发展，视频监控系统在城市管理、公共安全以及交通领域的应用逐渐成为不可或缺的一部分。行人重识别技术作为视频监控系统的重要组成部分，如何高效、准确地检索大规模行人逐渐成为人们关注的问题。在行人重识别技术的发展过程中，隐私保护问题备受关注。如何在提高检索精度的同时，有效保护个体隐私成为研究和实践中迫切需要解决的核心问题。 尽管学者们已经提出了很多有效的行人重识别方法，但是针对开放环境下的行人重识别问题仍然没有得到充分地解决。现有的行人重识别技术面临的主要挑战是：（1）在大规模带有属性标注的行人重识别数据集中，行人属性标注不完备导致模型性能遭遇瓶颈，并且已有的摄像头风格扩增与行人重识别过程分离导致模型对于摄像头风格差异的适应性不足，影响了行人重识别的准确性和鲁棒性。（2）监督学习的行人重识别方法受制于大量标注数据的需求，限制了在大规模行人重识别中的适用性，因此领域自适应方法逐渐流行起来。然而，在领域自适应的行人重识别过程中，源域有标签的样本数据占据重要地位，这也引发了行人隐私保护的问题。（3）无源领域自适应的行人重识别方法采用源域预训练模型实现对目标域的自适应，这些方法无需访问源域数据，在一定程度上解决了行人隐私问题。但是源域数据的缺乏导致难以有效度量和缩小领域差异，因此，在开放环境下无源领域自适应的行人重识别面临更多挑战。（4）在无源领域自适应方法中，源域数据隐私问题得到一定程度的保护，但是目标域数据也存在隐私泄露的问题。由于行人身份信息的特殊性，全域隐私保护问题成为行人重识别研究中亟待解决的关键问题。 针对有监督学习、领域自适应和无源领域自适应的行人重识别方法存在的问题，本文就如何高效且安全地进行行人重识别，开展基于隐私保护和细粒度特征融合的行人重识别关键技术研究，主要成果总结如下： （1）针对属性标注不全且摄像头风格扩增与行人重识别过程分离导致模型性能瓶颈的问题，提出一种基于属性感知风格自适应方法。该方法利用摄像头风格信息和属性标注信息的互补性，通过将具有共性的属性特征转换为统一因子，开发关联图像风格生成的属性感知模块。在属性标注不完备行人重识别数据集上的实验结果表明，该方法具有较高的行人重识别性能和属性预测精度。 （2）针对领域自适应行人重识别方法在模型训练过程中需访问源域数据引起的隐私保护问题，提出一种基于无源风格多样性对抗的隐私保护领域自适应方法。该方法采用一种基于生成对抗网络的领域风格多样性增强模块解决域间行人外观风格差异问题，同时通过对抗相互均值教学模型解决域内个性化风格不对齐问题。实验结果表明，在不访问任何源域数据的前提下，方法保护源域数据隐私的同时实现较高的行人重识别性能。 （3）无源领域自适应方法由于缺乏源域数据导致领域差异未知，针对该问题提出一种基于实例对抗嵌入相互教学的无源领域自适应方法。该方法利用基于方差自分离模块进行实例级分离包括源域相似和源域不相似子集，隐式度量领域差异，引入动态对抗对齐策略，通过使用目标域数据的对抗性实例混淆鉴别器，缩小领域差异。实验结果表明，方法在考虑源域数据隐私的同时实现了领域自适应。 （4）为解决无源领域自适应方法只保护源域数据的隐私忽略目标域数据隐私的问题，提出一种基于对抗攻击的全域隐私保护领域自适应方法。该方法利用细粒度的多视图对抗性攻击对目标域行人图像加密，通过预先训练的源模型的可靠互补关系，在发布前将原始样本转移到具有准不可察觉扰动的源风格对抗性样本中实现全域数据隐私保护。实验验证了方法可以实现全域隐私保护，并且在行人重识别性能方面获得最优的结果。
NETL