Domain Gap and Privacy in Person Re-Identification

Écart de domaine et confidentialité pour la réidentification de personnes 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.