通过跨客户端风格迁移的联邦域泛化图像识别
计算机视觉与模式识别
2022-10-04 v1
摘要
域泛化（DG）一直是图像识别中的热点问题，其目标是训练一个在未见域上表现良好的通用模型。近来，联邦学习（FL）作为一种新兴的机器学习范式，可在不损害数据隐私的前提下从多个分散客户端训练全局模型，为 DG 带来了新挑战，也带来了新可能。在 FL 场景下，许多现有的先进（SOTA）DG 方法失效，因为它们在训练期间要求来自不同域的数据集中化。本文中，我们提出一种新颖的联邦学习下图像识别域泛化方法，通过跨客户端风格迁移（CCST）且不交换数据样本实现。我们的 CCST 方法能使源客户端分布更均匀，从而使每个局部模型学习拟合所有客户端的图像风格，以避免不同的模型偏置。提出了两类风格（单图像风格与整体域风格）及相应机制，可根据不同场景选择。我们的风格表示极为轻量，几乎无法用于数据集重建。多样性程度也可通过超参数灵活控制。我们的方法在 FL 设定下在两个 DG 基准（PACS、OfficeHome）和一个大规模医学图像数据集（Camelyon17）上优于近期 SOTA DG 方法。最后但同样重要的是，我们的方法与许多经典 DG 方法正交，通过结合使用可获得叠加性能。
引用
@article{arxiv.2210.00912,
title = {Federated Domain Generalization for Image Recognition via Cross-Client Style Transfer},
author = {Junming Chen and Meirui Jiang and Qi Dou and Qifeng Chen},
journal= {arXiv preprint arXiv:2210.00912},
year = {2022}
}
备注
Accepted by WACV 2023