基于置信度的联邦蒸馏用于视觉车道居中
计算机视觉与模式识别
2023-06-07 v1
摘要
自动驾驶的一个基本挑战是通过调整转向角使车辆保持在车道中央。近期进展利用深度神经网络直接从车载摄像头捕获的图像预测转向决策。基于机器学习的转向角预测需考虑车辆上传大量潜在隐私数据用于模型训练的局限性。联邦学习能让多车在不共享隐私数据的情况下协作训练全局模型，从而应对这些约束，但由于各车数据分布常为非独立同分布（non-i.i.d.），难以取得良好精度。本文提出一种基于置信度的新联邦蒸馏方法，以提升转向角预测的联邦学习性能。具体而言，创新性地利用熵确定各局部模型的预测置信度，并选取最自信的局部模型作为教师来引导全局模型的学习。对基于视觉的车道居中的综合评估表明，所提方法分别优于FedAvg和FedDF达11.3%和9%。
引用
@article{arxiv.2306.03222,
title = {Confidence-based federated distillation for vision-based lane-centering},
author = {Yitao Chen and Dawei Chen and Haoxin Wang and Kyungtae Han and Ming Zhao},
journal= {arXiv preprint arXiv:2306.03222},
year = {2023}
}
备注
5 pages, 5 figures