面向共享制造中质量检测的联邦目标检测
机器学习
2023-08-28 v2 计算机视觉与模式识别
摘要
联邦学习（FL）已成为一种在分散数据上训练机器学习模型而不损害数据隐私的有前景的方法。本文提出一种用于质量检测任务中目标检测的 FL 算法，使用 YOLOv5 作为目标检测算法、Federated Averaging（FedAvg）作为 FL 算法。我们将该方法应用于一个制造用例，其中多个工厂/客户端在非 IID 数据集上贡献数据以训练全局目标检测模型，同时保护数据隐私。我们的实验表明，相较于使用本地客户端数据集训练的模型，我们的 FL 方法在整体客户端测试数据集上取得了更好的泛化性能，并生成了围绕目标改进的边界框。本工作展示了 FL 在制造业质量检测任务中的潜力，并为利用 YOLOv5 与 FedAvg 进行联邦目标检测的性能与可行性提供了有价值的见解。
引用
@article{arxiv.2306.17645,
title = {Federated Object Detection for Quality Inspection in Shared Production},
author = {Vinit Hegiste and Tatjana Legler and Martin Ruskowski},
journal= {arXiv preprint arXiv:2306.17645},
year = {2023}
}
备注
Will submit it to an IEEE conference