探索无人机热成像 urban 特征分割中的联邦学习——中心化与去中心化方法的比较

联邦学习（Federated Learning, FL）是一种用于多个参与者分布式训练数据上训练共享机器学习（ML）模型的方法。FL 允许绕过传统中心化机器学习的限制，当数据无法共享或因隐私或技术限制而无法集中存储时——参与者使用各自的训练数据本地训练模型，无需与其他参与者共享数据。本文旨在探讨 FL 在真实场景中的实际实现和有效性，具体关注无人机（UAV）基于热成像的城市环境中常见热特征检测。数据分布的分布性质天然适合 FL 应用，因为两个德国城市捕获的图像可用。该应用因两个地点捕获数据的非一致分布和特征特性而呈现独特挑战。该研究通过在真实部署场景中而非仿真环境中评估 FL 算法作出了多个关键贡献。我们在模型准确率、训练时间、通信开销和能源消耗等关键性能指标上，将多种 FL 方法与中心化学习基线进行比较。本文还探讨了各种 FL 工作流程，比较了客户端控制工作流程和服务器控制工作流程。本工作的发现为理解 FL 方法在 UAV 基于成像的分割任务中的实际应用和局限性提供了宝贵参考。