面向遥感图像分类的跨去中心化且不共享档案的联邦学习
计算机视觉与模式识别
2024-10-10 v3
摘要
联邦学习（FL）使多个深度学习模型能够协作，从去中心化数据档案（即客户端）中学习而无需访问客户端数据。尽管 FL 为从分布式图像档案中发现知识提供了充足机会，其在遥感（RS）中很少被考虑。本文作为 RS 中的首次尝试，对用于 RS 图像分类问题的前沿 FL 算法进行了比较研究。为此，我们首先系统回顾计算机视觉与机器学习社区中提出 FL 算法。然后，基于算法对客户端间训练数据异质性（即非 IID 数据）的有效性，选取若干前沿 FL 算法。在广泛概述所选算法后，基于以下方面进行算法的理论比较：1）本地训练复杂度；2）聚合复杂度；3）学习效率；4）通信成本；以及 5）客户端数量方面的可扩展性。理论比较之后，给出实验分析以在不同去中心化场景下对它们进行比较。实验分析中，我们关注 RS 中的多标签图像分类问题。基于我们的全面分析，最终推导出 RS 中选择合适 FL 算法的指南。本工作的代码公开于 https://git.tu-berlin.de/rsim/FL-RS。
引用
@article{arxiv.2311.06141,
title = {Federated Learning Across Decentralized and Unshared Archives for Remote Sensing Image Classification},
author = {Barış Büyüktaş and Gencer Sumbul and Begüm Demir},
journal= {arXiv preprint arXiv:2311.06141},
year = {2024}
}
备注
Accepted at the IEEE Geoscience and Remote Sensing Magazine