FecalFed：基于联邦学习的隐私保护禽病检测
计算机视觉与模式识别
2026-04-02 v1
摘要
早期检测高致病性禽流感（HPAI）和地方性禽病对全球粮食安全至关重要。虽然计算机视觉模型在从粪便图像分类疾病方面表现出色，但大规模部署这些系统受到农场数据隐私问题和机构数据孤岛的瓶颈。此外，现有的开源农业数据集经常遭受严重的、未记录的数据污染。在本文中，我们引入FecalFed——一个用于禽病分类的隐私保护联邦学习框架。我们首先策划并发布了poultry-fecal-fl，一个经过严格去重的8770张独特图像数据集，涵盖四个疾病类别，揭示并消除了流行公共仓库中46.89%的重复率。为了模拟真实的农业环境，我们在高度异构的非独立同分布条件下（Dirichlet ）评估FecalFed。虽然孤立的单农场训练在此数据异构性下崩溃，仅产生64.86%的准确率，但我们的联邦方法在不集中敏感数据的情况下恢复了性能。具体而言，利用服务器端自适应优化（FedAdam）配合Swin-Small架构达到了90.31%的准确率，接近集中式上限95.10%。此外，我们证明一个边缘优化的Swin-Tiny模型保持了极具竞争力的89.74%性能，建立了一个高效、以隐私为先的农场端禽病监测蓝图。
引用
@article{arxiv.2604.00559,
title = {FecalFed: Privacy-Preserving Poultry Disease Detection via Federated Learning},
author = {Tien-Yu Chi},
journal= {arXiv preprint arXiv:2604.00559},
year = {2026}
}
备注
Accepted to the CVPR 2026 Workshop on Vision for Agriculture