探索面向暴力检测的个人化联邦学习架构体系
计算机视觉与模式识别
2025-06-19 v2 人工智能
摘要
城市监控系统中暴力事件检测的挑战在于视频数据庞大且多样化。本文提出一种针对性的方法，利用个人化联邦学习（PFL）以 Flower 框架下的 Federated Learning with Personalization Layers 方法应对这些问题。我们的 methodology 针对每个监控节点的独特数据特征进行模型适配，有效管理监控视频数据的异构性和非独立同分布（non-IID）特性。通过在平衡与不平衡数据集上的严格实验，我们的 PFL 模型在准确率和效率方面均取得显著提升，达到最高 99.3% 的准确率。这一研究凸显了 PFL 在提升监控系统可扩展性和有效性方面的潜力，为复杂城市环境中的暴力检测提供了稳健且兼顾隐私的解决方案。
引用
@article{arxiv.2504.00857,
title = {Exploring Personalized Federated Learning Architectures for Violence Detection in Surveillance Videos},
author = {Mohammad Kassir and Siba Haidar and Antoun Yaacoub},
journal= {arXiv preprint arXiv:2504.00857},
year = {2025}
}
备注
7 pages, 5 figures, 4 tables