祝贺实验室团队博士生齐鼎一篇论文Active Dataset Distillation via Dual-Space Informative Matching被IEEE Transactions on Image Processing录用。

针对现有数据集蒸馏方法在数据筛选上缺乏灵活性、忽视合成数据集训练动态需求的问题，本文提出了基于双空间信息匹配的主动数据集蒸馏算法（ACDD） 。该方法引入主动学习机制，通过“双空间主动循环”在特征空间（捕捉多样性）和梯度空间（捕捉不确定性）之间动态调整采样预算，从而构建并实时更新目标蒸馏池以适应模型不同阶段的训练需求 。实验表明，ACDD 仅需原始数据集 20%-40% 的数据量，即可在 SVHN、CIFAR、TinyImageNet 及 ImageNet 子集等多个基准上取得优于现有 SOTA 方法的性能，显著提升了蒸馏效率与泛化能力。

祝贺实验室团队硕士生顾文涛一篇论文pFedVIReID: Personalized Federated Learning for VI-RelD with Decoupled Local and Global Tuning被IEEE Transactions on Multimedia录用。

可见光–红外行人重识别任务中，集中式训练范式存在潜在的隐私泄露风险。现有联邦行人重识别方法虽然能够在一定程度上缓解隐私问题，但在面对可见光–红外行人重识别场景下显著的客户端异构性时仍表现受限。为此，本文提出首个面向个性化联邦学习可见光–红外行人重识别任务的方法，旨在在高度异构环境下提升各客户端的识别性能。不同于现有通用个性化联邦学习方法未能充分区分全局与本地组件在结构与优化目标上的差异，本方法在模型架构与训练策略层面进行协同设计。具体而言，方法采用共享的全局主干网络与轻量级、基于非局部注意力的个性化适配器作为本地组件，并将其插入至主干网络的中间层，以有效筛选对特定客户端有判别力的全局特征。在训练过程中，提出全局–本地交替优化策略，将全局模型与本地个性化模块的训练过程进行解耦，并分别施加差异化的优化目标。实验结果表明，本方法显著优于现有联邦行人再识别框架及个性化联邦学习方法。