基于卫星遥感影像的森林砍伐检测的联邦学习：分布式方法
计算机视觉与模式识别
2025-09-18 v1 分布式、并行与集群计算
摘要
准确识别卫星图像中的森林砍伐对于理解区域地理情况至关重要。本文引入一种新颖的分布式方法，用于使用联邦学习 (FL) 在不同客户端之间识别并定位森林砍伐。联邦学习使分布式网络客户端能够在保持数据隐私和安全的前提下协同训练模型。在本框架中，客户端对应于负责本地数据处理的边缘卫星中心。此外，FL 相对于需要组合数据才能实现的集中式训练方法提供了优势，从而妥协了客户端的数据安全。我们的框架利用 FLOWER 框架和 RAY 框架来执行分布式学习工作负载。此外，RAY 确保高效的客户端生成，因为它可以选择特定数量的用户创建仿真环境。我们的 FL 框架使用 YOLOS-small（视觉转换器变体）、带 ResNet50 主干的 Faster R-CNN 和带 MobileNetV3 主干的 Faster R-CNN 模型进行训练和测试，这些模型在公开可用的数据集上进行训练和测试。我们的做法为卫星遥感图像上的基于图像分割的任务提供了不同的视角。
引用
@article{arxiv.2509.13631,
title = {Federated Learning for Deforestation Detection: A Distributed Approach with Satellite Imagery},
author = {Yuvraj Dutta and Aaditya Sikder and Basabdatta Palit},
journal= {arXiv preprint arXiv:2509.13631},
year = {2025}
}
备注
6 pages, 7 figures, accepted at IEEE INDISCON 2025