联邦行人重识别方法、系统、电子装置和存储介质

1.本发明涉及图像识别技术领域，尤其涉及一种联邦行人重识别方法、系统、电子装置和存储介质。


背景技术：

2.行人重识别旨在从非重叠摄像机中识别目标行人图像。经过广泛的研究，一些方法取得了显著的性能。然而，这些方法从一个领域（例如一个数据集）学习知识，而不考虑模型转移到未知的领域的能力。为了提高模型的泛化能力，现有的一些方法通过在多个领域集中训练而不考虑隐私数据泄漏，取得了不错的成果。
3.联邦学习可以通过跨多个分布式学习客户端的协作训练有效地解决数据隐私问题，而无需共享本地数据。一些方法将每个本地客户端的权重与本地数据集的大小相对应，作为服务器端聚合各个本地模型骨干网络的权重。由于客户端之间的数据集不平衡，这种策略使得联邦模型难以收敛。此外，一些联邦行人重识别方法为解决权重不平衡问题，提出了一种基于本地模型分类器输出的向量和联邦模型分类器输出的向量之间的差异作为本地模型骨干网络聚合时的权重，然而不可避免引入了异构分类器的负面影响，因为分类器输出的向量并不能准确测量聚合时骨干网络的更新程度。
4.因此，现有的联邦学习，至少有如下问题：不能同时优化联邦模型在源域和目标域的性能，降低了联邦模型的实用性；各个客户端之间数据不平衡导致了模型稳定性和性能之间难以平衡的问题。


技术实现要素：

5.本发明的主要目的在于提供一种联邦行人重识别方法、系统、电子装置和存储介质，旨在解决现有技术中不能同时优化联邦模型在源域和目标域的性能，降低了联邦模型的实用性和各个客户端之间数据不平衡导致了模型稳定性和性能之间难以平衡的技术问题。
6.为实现上述目的，本发明第一方面提供一种联邦行人重识别方法，包括：设定在第轮训练开始时，将服务器上的联邦模型的主干网络发送至选择的个客户端，每个客户端均有本地的分类器；在每个客户端上将分类器和所述主干网络连接起来进行本地训练，在本地训练时，每个客户端将主干网络和分类器连接组合成一个分类模型，模型以度量损失项、交叉熵损失项、特征感知近端项为损失函数作为约束进行训练，梯度更新；每个客户端将其更新后的主干网络以及权重发送至服务器，并将更新好的分类器保存至本地；在服务器上将每个客户端的权重和主干网络进行聚合，得到更新后的联邦模型，在所述聚合时，在客户端的本地数据集中随机选取一个批量大小的数据输入至本地模型和全局模型后，客户端得到本地特征与本轮次未更新的联邦模型特征之间的余弦相似度均值作为本地客户端在全局聚合时的权重；循环上述步骤进行下一轮的联邦模型的更新，直至所述联邦模型收敛，或达到预设的训练轮次。
7.进一步地，所述本地训练时，目标函数为：其中，，每个客户端包含自己的标记图像，和对应的身份标签，；在进行所述本地训练时，每个客户端训练一个局部模型特征提取器主干网络和一个局部模型分类器，为近端项，为特征正则项；表示分类器输出的向量；表示从主干网络输出的特征；是本地客户端的三元组损失值，是本地模型的交叉熵损失值；所述全局模型的更新为：其中是第k个传输回合时，从n个客户端中随机选取上传至服务器进行聚合的客户端数量，是第个客户端聚合时的权重。
8.进一步地，所述联邦行人重识别方法还包括：在本地训练时，目标函数所述近端项表示为：目标函数所述特征正则项表示为：在第轮传输回合时，服务器下发全局骨干网络至本地客户端中开始本地训练，训练迭代次数，本地客户端连接全局骨干网络和本地分类器后，得到特征，和分类器输出的分数，损失函数为。
9.进一步地，所述联邦行人重识别方法还包括：在第轮训练开始时，使用每个客户端的本地模型特征提取器主干网络得到每迭代次数时生成特征，并使用未在服务器中更新的全局模型的主干网络在迭代次数时生成的特征；在每个客户端上通过在每迭代次数时平均和之间的余弦距离，计算损失值；在迭代次数时，使用每个客户端通过对客户端的主干网络和服务器端的主干网络的之
间差值的求和来计算损失值，是客户端的局部模型各层参数与全局模型各层参数之差的范数；在第次迭代中，将交叉熵损失值、三元组损失值，，相加得到最终的损失值，以使当客户端的分类器保存至本地时，目标函数被最小化。
10.进一步地，的计算公式为：其中，，当客户端的分类器保存至本地时，目标函数被最小化，最小化公式为：。
11.进一步地，所述在服务器上聚合每个客户端发送的主干网络包括：在第轮训练开始时，使用服务器选择客户端的子集，并将全局模型分发给所有客户端，其中，；将客户端上的本地模型在轮中使用数据集训练之前与全局模型同步；使用客户端的主干网络随机选择训练数据集的一个批量生成特征，并在服务器端未更新的主干网络使用批处理生成特征;在客户端上平均和之间的余弦相似度计算权重；使用客户端将计算出的权重和主干网络上传至服务器；在服务器上根据每个客户端上传的权重聚合每个客户端上传的主干网络。
12.进一步地，权重的计算公式为：进一步地，权重的计算公式为：进一步地，权重的计算公式为：基于所述权重的计算公式，第轮训练后得到的全局模型为：轮训练后得到的全局模型为：在最后一轮的训练结束时，最终的全局模型计算公式为：。
13.本发明第二方面提供一种联邦行人重识别系统，包括：主干网络发送模块，用于设定在第轮训练开始时，将服务器上的联邦模型的主干网络发送至选择的个客户端，每个客户端均有本地的分类器；本地训练模块，用于在每个客户端上将分类器和所述主干网络连接起来进行本地训练，在本地训练时，每个客户端将主干网络和分类器连接组合成一个分类模型，模型以度量损失项、交叉熵损失项、特征感知近端项为损失函数作为约束进
行训练，梯度更新；训练输出模块，用于将每个客户端将其更新后的主干网络以及权重发送至服务器，并将更新好的分类器保存至本地；模型更新模块，在服务器上将每个客户端的权重和主干网络进行聚合，得到更新后的联邦模型，在所述聚合时，在客户端的本地数据集中随机选取一个批量大小的数据输入至本地模型和全局模型后，客户端得到本地特征与本轮次未更新的联邦模型特征之间的余弦相似度均值作为本地客户端在全局聚合时的权重；循环模块，用于循环上述步骤进行下一轮的联邦模型的更新，直至所述联邦模型收敛，或达到预设的训练轮次。
14.本发明第三方面提供一种电子装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述中的任意一项所述联邦行人重识别方法。
15.本发明第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述中的任意一项所述联邦行人重识别方法。
16.本发明提供一种联邦行人重识别方法、系统、电子装置和存储介质，有益效果在于：采用特征感知的聚合策略，减小了异构分类器的负面影响，使得模型在不降低源域性能的同时提升在目标域的性能，联合优化源域和目标域的性能，增加联邦模型的实用性。
附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1为本发明实施例联邦行人重识别方法的流程图；图2为本发明实施例联邦行人重识别系统的框架图；图3为本发明实施例电子装置的结构示意框图。
具体实施方式
19.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.请参阅图1，为一种联邦行人重识别方法，包括：s101、设定在第轮训练开始时，将服务器上的联邦模型的主干网络发送至选择的个客户端，每个客户端均有本地的分类器；s102、在每个客户端上将分类器和主干网络连接起来进行本地训练；s103、将每个客户端将其更新后的主干网络以及权重发送至服务器，并将更新好的分类器保存至本地；s104、在服务器上将每个客户端的权重和主干网络进行聚合，得到更新后的联邦模型；s105、循环上述步骤进行下一轮的全局模型的更新，直至全局模型收敛，或达到预
设的训练轮次。
21.在步骤s102中，在本地训练时，每个客户端将主干网络和分类器连接组合成一个分类模型，模型以度量损失项、交叉熵损失项、特征感知近端项为损失函数作为约束进行训练，梯度更新。
22.在步骤s104中，在聚合时，在客户端的本地数据集中随机选取一个批量大小的数据输入至本地模型和全局模型后，客户端得到本地特征与本轮次未更新的联邦模型特征之间的余弦相似度均值作为本地客户端在全局聚合时的权重。
23.在本实施例中，采用特征感知的聚合策略，减小了异构分类器的负面影响，使得模型在不降低源域性能的同时提升在目标域的性能，联合优化源域和目标域的性能，增加联邦模型的实用性。
24.在一个实施例中，本地训练时目标函数为：其中，，每个客户端包含自己的标记图像，和对应的身份标签，；在进行所述本地训练时，每个客户端训练一个局部模型特征提取器主干网络和一个局部模型分类器，为近端项，为特征正则项；表示分类器输出的向量；表示从主干网络输出的特征；是本地客户端的三元组损失值，是本地模型的交叉熵损失值；所述全局模型的更新为：其中是第k个传输回合时，从n个客户端中随机选取上传至服务器进行聚合的客户端数量，是第个客户端聚合时的权重。
25.发明人研究发现，一些联邦行人重识别方法为解决权重不平衡问题，提出了一种基于本地模型分类器输出的向量和联邦模型分类器输出的向量之间的差异作为本地模型骨干网络聚合时的权重，然而不可避免引入了异构分类器的负面影响，因为分类器输出的向量并不能准确测量聚合时骨干网络的更新程度。为进一步提高收敛速度，对此还通过客户端和服务器之间的共享数据集将知识蒸馏应用于联邦模型，但是没有考虑本地模型训练时有可能会偏离联邦模型。并且，也未考虑联邦模型的可迁移能力，只考虑在源域上提升联邦模型的性能。一些针对联邦学习的优化方法在损失函数中添加一个近端项以提高收敛稳定性，但是近端项在高度异构的数据分区上会遭受严重的性能下降。同样，这个问题也出现
在联邦行人重识别中。
26.由于客户端之间的数据分布不同，全局模型的收敛稳定性仍然是联邦场景中的主要基本挑战。特别是在联邦行人重识别任务中，由于行人身份的数量和数据集的大小在不同客户端之间存在显着差异，一些方法导致局部模型收敛到其局部最优值，因此本地模型在全局聚合后，全局模型性能严重下降。因此，本发明将近端项应用在局部模型更新以增强全局模型的稳定性。近端项是局部模型各层参数与全局模型各层参数之差的范数，其中全局模型是服务器下发的更新模型，本地模型是根据本地数据集更新后的模型。
27.因此在一个实施例中，联邦行人重识别方法还包括：在本地训练时，目标函数所述近端项表示为：目标函数所述特征正则项表示为：在第轮传输回合时，服务器下发全局骨干网络至本地客户端中开始本地训练，训练迭代次数，本地客户端连接全局骨干网络和本地分类器后，得到特征，和分类器输出的分数，损失函数为。
28.因此，以往的联邦学习优化方法针对的是人为构造的数据异构，在真实的数据异构问题上往往无法在保证性能的前提下解决收敛问题，而联邦行人重识别方法没有很好地解决联邦模型收敛问题，我们基于联邦行人重识别中真实的数据异构，提出了在本地模型训练时添加特征感知近端项对本地的模型和特征进行同时优化，使得聚合后的模型更加鲁棒，较好的平衡了联邦模型的性能和收敛性。
29.在一个实施例中，虽然近端项可以通过控制局部模型更新很好地提高联邦模型的稳定性，但在高度异构的数据分区中，也很难在联邦模型性能和收敛稳定性之间平衡。同样，这个问题也出现在联邦行人重识别中。因此，我们提出了一种用于局部训练的特征感知局部邻近方法，应用于联邦行人重识别方法中，可以同时优化模型和特征。
30.因此在该实施例中，联邦行人重识别方法还包括：在第轮训练开始时，使用每个客户端的本地模型特征提取器主干网络得到每迭代次数时生成特征，并使用未在服务器中更新的全局模型的主干网络在迭代次数时生成的特征；在每个客户端上通过在每迭代次数时平均和之间的余弦距离，计算损失值；在迭代次数时，使用每个客户端通过对客户端的主干网络和服务器端的主干网络的之间差值的求和来计算损失值，是客户端的局部模型各层参数与全局模型各层参数之差的范数；在第次迭代中，将交叉熵损失值、三元组损失值，，相加得到最终的损失值，以使当客户端的分类器保存至本地时，目标函数被最
小化。
31.在一个实施例中，的计算公式为：其中，，当客户端的分类器保存至本地时，目标函数被最小化，最小化公式为：。
32.在联邦学习中，有效的全局聚合策略可以减轻数据异构性的影响，提高全局模型的泛化能力。一些方法提出了基于分类器输出向量的权重的余弦距离来缓解权重不平衡问题，但它也带来了异构局部分类器的负面影响。因此，为了进一步减轻异构局部分类器对全局聚合的影响，我们利用骨干网络输出特征计算余弦距离相似度来衡量局部模型的更新程度。
33.因此，在一个实施例中，在服务器上聚合每个客户端发送的主干网络包括：在第轮训练开始时，使用服务器选择客户端的子集，并将全局模型分发给所有客户端，其中，；将客户端上的本地模型在轮中使用数据集训练之前与全局模型同步；使用客户端的主干网络随机选择训练数据集的一个批量生成特征，并在服务器端未更新的主干网络使用批处理生成特征;在客户端上平均和之间的余弦相似度计算权重；使用客户端将计算出的权重和主干网络上传至服务器；在服务器上根据每个客户端上传的权重聚合每个客户端上传的主干网络。
34.在一个实施例中，权重的计算公式为：在一个实施例中，权重的计算公式为：在一个实施例中，权重的计算公式为：基于权重的计算公式，第轮训练后得到的全局模型为：轮训练后得到的全局模型为：在最后一轮的训练结束时，最终的全局模型计算公式为：。
35.因此，针对联邦行人重识别中聚合时的权重不平衡问题，本实施例提出了特征感知的全局聚合策略，使用本地模型骨干网络提取的特征与联邦模型骨干网络提取的特征计算相似度，能够较好地衡量本地模型和联邦模型之间的偏离程度，从而动态调整全局聚合
时本地模型的权重，提升模型的泛化能力。
36.在一个实施例中，为了验证上述实施例中的联邦行人重识别方法，在监督设置中，对源域进行测试。我们使用九个数据集来衡量性能：market1501、dukemtmc、msmt17、cuhk03-np、cuhk01、viper、ilids、prid、3dpes。fedavg , fedpav , fedreid 是我们实验中用于比较的最先进技术。在联邦行人重识别任务中，所有结果都报告在表1中。对于大规模数据集（market1501、dukemtmc、msmt17、cuhk03-np），因为大规模数据集会使本地模型更新的程度更大，而数据分布的不同通常会使得本地模型严重偏离联邦模型，从而造成联邦模型性能下降，所以在大数据集上的结果表明特征正则项的有效性可以平衡性能和稳定性之间的权衡。对于小型数据集（cuhk01、viper、3dpes、ilids），由于大数据集的影响使得联邦模型在小数据集上的性能不稳定，所以在小数据集上的结果表明主干余弦距离对全局聚合的有效性。
37.表1 在9个数据集上与其他最先进的方法的准确率 (%) 比较针对域泛化设置，即为在未知的目标域测试。我们交替选择三个最大的数据集 msmt17、dukemtmc 和 market1501 作为目标客户端，其他数据集作为联邦学习数据集的分布式源客户端。表2的结果表明了我们模型在域泛化设置的有效性。总之，我们的方法一方面解决了数据异质性导致全局模型性能下降的问题，另一方面使局部模型和特征的优化保持一致，可以提高联邦模型的泛化稳定性。
38.表2 在三个最大的数据集上与其他4个方法的准确率 (%) 进行比较上述实施例提出的联邦行人重识别方法在安防监控中有广泛的应用。在如今智慧城市理念推行的过程中，监控设备的大量使用大大降低了违法犯罪的概率，但是依靠警察
人力从监控设备中检索出可能的犯罪分子需要耗费大量的人力、物力和时间，而行人重识别技术能快速帮助公安部门从大量的监控设备中检索出犯罪分子在监控中出现的位置，提高办事效率。现如今人脸识别技术在支付领域以及公共出行领域为人们提供了极大的便利。但是人脸识别技术需要录入高清的人脸图像等隐私数据，而行人重识别技术只需要依靠行人的模糊的前景、背景或者侧面等模糊的数据就能够识别行人。因此，在未来不仅是对于公共安防领域，对无人超市以及公共出行领域，行人重识别技术都能得到一个广泛的应用。
39.请参阅图2，本发明实施例还提供一种联邦行人重识别系统，包括：主干网络发送模块1、本地训练模块2、训练输出模块3、模型更新模块4及循环模块5。
40.主干网络发送模块1用于设定在第轮训练开始时，将服务器上的联邦模型的主干网络发送至选择的个客户端，每个客户端均有本地的分类器；本地训练模块2用于在每个客户端上将分类器和所述主干网络连接起来进行本地训练，在本地训练时，每个客户端将主干网络和分类器连接组合成一个分类模型，模型以度量损失项、交叉熵损失项、特征感知近端项为损失函数作为约束进行训练，梯度更新；训练输出模块3用于将每个客户端将其更新后的主干网络以及权重发送至服务器，并将更新好的分类器保存至本地；模型更新模块4在服务器上将每个客户端的权重和主干网络进行聚合，得到更新后的联邦模型，在所述聚合时，在客户端的本地数据集中随机选取一个批量大小的数据输入至本地模型和全局模型后，客户端得到本地特征与本轮次未更新的联邦模型特征之间的余弦相似度均值作为本地客户端在全局聚合时的权重；循环模块5用于循环上述步骤进行下一轮的联邦模型的更新，直至所述联邦模型收敛，或达到预设的训练轮次。
41.在一个实施例中，本地训练模块2进行本地训练时，目标函数为：其中，，每个客户端包含自己的标记图像，和对应的身份标签，；在进行本地训练时，每个客户端训练一个局部模型特征提取器主干网络和一个局部模型分类器，为近端项，为特征正则项；表示分类器输出的向量；表示从主干网络输出的特征；是本地客户端的三元组损失值，是本地模型的交叉熵损失值；全局模型的更新为：其中是第k个传输回合时，从n个客户端中随机选取上传至服务器进行聚合的
客户端数量，是第个客户端聚合时的权重。
42.在一个实施例中，联邦行人重识别系统还包括：近端项模块，在本地训练时，目标函数所述近端项表示为：目标函数所述特征正则项表示为：在第轮传输回合时，服务器下发全局骨干网络至本地客户端中开始本地训练，训练迭代次数，本地客户端连接全局骨干网络和本地分类器后，得到特征，和分类器输出的分数，损失函数为。
43.在一个实施例中，联邦行人重识别系统还包括：特征生成模块、第一损失值计算模块、第二损失值计算模块和目标函数最小化模块；特征生成模块用于在第轮训练开始时，使用每个客户端的本地模型特征提取器主干网络得到每迭代次数时生成特征，并使用未在服务器中更新的全局模型的主干网络在迭代次数时生成的特征；第一损失值计算模块用于在每个客户端上通过在每迭代次数时平均和之间的余弦距离，计算损失值；第二损失值计算模块用于在迭代次数时，使用每个客户端通过对客户端的主干网络和服务器端的主干网络的之间差值的求和来计算损失值，是客户端的局部模型各层参数与全局模型各层参数之差的范数；目标函数最小化模块用于在第次迭代中，将交叉熵损失值、三元组损失值，，相加得到最终的损失值，以使当客户端的分类器保存至本地时，目标函数被最小化。
44.在一个实施例中，的计算公式为：其中，，当客户端的分类器保存至本地时，目标函数被最小化，最小化公式为：。
45.在一个实施例中，模型更新模块4包括：训练开始单元、模型同步单元、特征生成单元、权重计算单元、客户端上传单元和聚合单元；训练开始单元用于在第轮训练开始时，使用服务器选择客户端的子集，并将全局模型分发给所有客户端，其中，；模型同步单元用于将客户端上的本地模型在轮中使用数据集训练之前与全局模型同步；特征生成单元用于使用客户端的
主干网络随机选择训练数据集的一个批量生成特征，并在服务器端未更新的主干网络使用批处理生成特征;权重计算单元用于在客户端上平均和之间的余弦相似度计算权重；客户端上传单元用于使用客户端将计算出的权重和主干网络上传至服务器；聚合单元用于在服务器上根据每个客户端上传的权重聚合每个客户端上传的主干网络。
46.在一个实施例中，权重的计算公式为：在一个实施例中，权重的计算公式为：在一个实施例中，权重的计算公式为：基于权重的计算公式，第轮训练后得到的全局模型为：轮训练后得到的全局模型为：在最后一轮的训练结束时，最终的全局模型计算公式为：。
47.本技术实施例还提供一种电子装置，请参阅图3，该电子装置包括：存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序，处理器602执行该计算机程序时，实现前述中描述的联邦行人重识别方法。
48.进一步的，该电子装置还包括：至少一个输入设备603以及至少一个输出设备604。
49.上述存储器601、处理器602、输入设备603以及输出设备604，通过总线605连接。
50.其中，输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。
51.存储器601可以是高速随机存取记忆体（ram，random access memory）存储器，也可为非不稳定的存储器（non-volatile memory），例如磁盘存储器。存储器601用于存储一组可执行程序代码，处理器602与存储器601耦合。
52.进一步的，本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子装置中，该计算机可读存储介质可以是前述中的存储器601。该计算机可读存储介质上存储有计算机程序，该程序被处理器602执行时实现前述实施例中描述的联邦行人重识别方法。
53.进一步的，该计算机可存储介质还可以是u盘、移动硬盘、只读存储器601（rom，read-only memory）、ram、磁碟或者光盘等各种可以存储程序代码的介质。
54.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅
仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
55.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
56.另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
57.所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来。
58.需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
59.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
60.以上为对本发明所提供的一种联邦行人重识别方法、系统、电子装置和存储介质的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。