面向制造业环境的混合数据集对象检测提升: 对比联邦学习与传统技术
计算机视觉与模式识别
2024-08-20 v1 机器学习
摘要
联邦学习（FL）因其稳健的模型开发和隐私保留能力而在制造业中受到广泛关注。本文为聚焦于FL模型鲁棒性的研究做出贡献,通过使用混合数据集进行小对象检测,提出与传统技术的比较研究。我们的发现表明,FL在测试数据在不同环境中进行测试时表现优于集中式训练模型和不同的深度学习技术,该测试数据包括多样的对象视角、光照条件和杂乱背景等。这些结果突显了FL在实现即使在不可见环境中也能高效运行的鲁棒全局模型方面的潜力。该研究为在制造业环境中部署韧性对象检测模型提供了宝贵的见解。
引用
@article{arxiv.2408.08974,
title = {Enhancing Object Detection with Hybrid dataset in Manufacturing Environments: Comparing Federated Learning to Conventional Techniques},
author = {Vinit Hegiste and Snehal Walunj and Jibinraj Antony and Tatjana Legler and Martin Ruskowski},
journal= {arXiv preprint arXiv:2408.08974},
year = {2024}
}
备注
Submitted and Presented at the IEEE International Conference on Innovative Engineering Sciences and Technological Research (ICIESTR-2024)