行人重识别的训练需要收集大量的人体数据到一个中心服务器上，这些数据包含了个人敏感信息，因此会造成隐私泄露问题。联邦学习是一种保护隐私的分布式训练方法，可以应用到行人重识别上，以解决这个问题。但是在现实场景中，将联邦学习应用到行人重识别上因为数据异构性，会导致精度下降和收敛的问题。本文介绍一篇来自 ACMMM20 Oral 的论文，这篇论文主要通过构建一个 benchmark，并基于 benchmark 结果的深入分析，提出两个优化方法，提升现实场景下联邦学习在行人重识别上碰到的数据异构性问题。论文第一作者：庄伟铭，商汤和新加坡南洋理工大学联合博士项目二年级学生，导师是文勇刚教授，本科毕业于新加坡国立大学，现在主要进行联邦学习相关的研究。论文地址：https://arxiv.org/pdf/2008.11560.pdf。开源代码：https://github.com/cap-ntu/FedReID