本科生一作！武汉科技大学，论文被AI顶会录用

近日，武汉科技大学计算机科学与技术学院视觉人工智能团队研究成果“FedARKS: Federated Aggregation via Robust and Discriminative Knowledge Selection and Integration for Person Re-identification”被人工智能领域顶级会议AAAI 2026（第40届人工智能大会）接收。该成果的学生第一作者为计算机科学与技术学院2022级本科生马彬畅，是学院实施本科生“科研育人行动计划”以来又一突出成果，实现了本科生在计算机领域CCF-A类顶级会议发表论文零的突破。该论文其他合作者包括刘威（学院2021级博士）、余旨熙（学院2023级博士）、徐新教授。

据学校介绍，马彬畅是武汉科技大学计算机科学与技术学院2022级本科生，目前已入选本科生拔尖人才培育计划，拥有扎实的计算机科学基础和丰富的竞赛经历。在校期间获全国大学生数学建模比赛省级一等奖，授权软件著作权1项，受理2项发明专利。

AAAI是人工智能领域历史悠久、学术影响力广泛的顶级国际会议之一，聚焦智能体、知识表示、机器学习、自然语言处理、计算机视觉等方向的前沿研究，同时也是中国计算机学会（CCF）推荐的A类国际学术会议。AAAI 2026计划于2026年1月20日至27日在新加坡举行。本届会议共收到投稿23680篇（主赛道），经过严格的两轮双盲评审，最终录用论文4167篇，录用率仅为17.6%。

行人重识别作为智慧城市应用的关键支撑技术，能从跨非重叠摄像头检索目标行人，在公共安全、失踪人员搜寻等场景应用广泛。尽管深度学习的推动显著提升了其性能，但实际部署时，不同摄像头特性、光照条件或行人分布引发的“领域偏移”问题，会导致模型性能骤降、可靠性受损。为缓解这一问题，领域泛化技术通过在多标签源域训练模型、学习领域不变表示成为重要方向。然而，传统领域泛化行人重识别依赖收集海量的个人图像数据，存在严重隐私风险，与当下个人数据保护需求相悖。联邦学习的兴起为解决这一矛盾提供了思路，将其应用于行人重识别领域泛化（FedDG-ReID），可在保护客户端数据隐私的同时实现模型协同训练。

然而现有FedDG-ReID工作普遍存在两个问题：一是主流方法依赖全局特征表征，易忽略头部、躯干等关键局部细节——这些细节包含更丰富且跨域不变的身份判别信息，忽视它们会使模型难以在复杂环境中区分外观相似行人，限制泛化能力；二是模型聚合时未区分不同客户端提取关键域不变特征的能力，对各客户端贡献同等对待，导致高质量客户端的判别性知识被稀释，阻碍全局模型整合利用跨域泛化所需的重要特征。

为解决上述联邦泛化行人重识别中的痛点，研究团队提出FedARKS框架，其核心是两大互补机制的协同：一是鲁棒知识提取模块，通过双分支网络让各客户端同步学习全局与局部特征，训练中两类特征经加权融合，兼顾整体判别力与局部精细信息；二是知识选择模块，为凸显优质客户端价值，依据客户端局部更新与全局优化轨迹的契合度动态分配聚合权重，对域不变特征提取能力强的客户端赋予更高权重，避免低质量客户端影响全局模型。

这一框架可有效适配公共安全跨摄像头行人追踪、大型商圈人流管理等实际应用场景。在公共安全场景中，不同摄像头的拍摄角度、光照差异易引发领域偏移，FedARKS能通过双分支特征学习捕捉行人服饰纹理、配饰等关键局部细节，结合动态权重聚合整合多摄像头节点的有效信息，提升跨区域行人检索准确性；在商圈人流管理场景下，各门店摄像头数据作为独立客户端，FedARKS可在保护用户隐私的同时，高效整合不同区域的行人特征，助力精准识别常客、分析人流动线，为商业决策提供支持。

来源：武汉科技大学，仅用于学术交流，若相关内容侵权，请联系删除。