面向鲁棒车辆目标检测的异构数据处理联邦学习
计算机视觉与模式识别
2024-05-03 v1 人工智能
机器学习
摘要
在追求为完全自动驾驶优化精确感知模型的过程中，持续的在线模型训练变得至关重要。车载网络中的联邦学习（FL）提供了一种高效的模型训练机制，同时保留了原始传感数据的完整性。然而，FL在处理非同分布数据（例如，数量倾斜）时面临困难，导致模型训练期间收敛率次优。在之前的工作中，我们引入了FedLA，一种创新的标签感知聚合方法，用于解决一般场景下FL中的数据异构性问题。在本文中，我们引入了FedProx+LA，一种在最先进的FedProx和FedLA基础上构建的新型FL方法，以解决专门针对车载网络的数据异构性问题。我们评估了FedProx+LA在持续在线目标检测模型训练中的有效性。通过与常规和最先进方法的比较分析，我们的结果表明FedProx+LA具有优越的收敛率。值得注意的是，如果标签分布非常异构，我们的FedProx+LA方法在检测性能上相比基线方法显示出显著提升，也优于我们之前的FedLA方法。此外，与基线方法相比，FedLA和FedProx+LA均将收敛速度提高了30%。
引用
@article{arxiv.2405.01108,
title = {Federated Learning with Heterogeneous Data Handling for Robust Vehicular Object Detection},
author = {Ahmad Khalil and Tizian Dege and Pegah Golchin and Rostyslav Olshevskyi and Antonio Fernandez Anta and Tobias Meuser},
journal= {arXiv preprint arXiv:2405.01108},
year = {2024}
}