联邦集成 YOLOv5——一种泛化性更优的目标检测算法
计算机视觉与模式识别
2023-08-28 v2 机器学习
摘要
联邦学习（FL）作为一种隐私保护算法已获得显著关注，但联邦平均（FedAvg）或联邦 SGD（Fed SGD）等联邦学习算法与集成学习算法之间的内在相似性尚未被充分探索。本文旨在研究将 FL 应用于目标检测以增强泛化能力，并将其性能与集中式训练方法在目标检测算法上进行比较。具体而言，我们考察了使用 FL 在多个客户端上训练的 YOLOv5 模型的性能，并采用无放回随机采样策略，使每个客户端持有用于集中式训练的同一数据集的一部分。我们的实验结果表明，FL 目标检测器的全局模型在为未见过的物体生成准确边界框方面具有更优的效率，其中测试集由训练数据集中未出现的两个不同客户端的物体混合而成。这些发现表明，FL 可从集成算法视角看待，类似于 Bagging 与 Boosting 技术的协同融合。因此，FL 不仅可视为增强隐私的方法，也可视为提升机器学习模型性能的方法。
引用
@article{arxiv.2306.17829,
title = {Federated Ensemble YOLOv5 -- A Better Generalized Object Detection Algorithm},
author = {Vinit Hegiste and Tatjana Legler and Martin Ruskowski},
journal= {arXiv preprint arXiv:2306.17829},
year = {2023}
}
备注
8 pages and submitted to FLTA2023 symposium under IEEE