FedEU：基于证据不确定性驱动的遥感图像分割联邦微调框架
计算机视觉与模式识别
2026-03-10 v1
摘要
遥感图像分割（RSIS）在联邦环境中日益受到关注，因为它能够在不共享原始图像或标注的情况下，跨分布式数据集进行协作模型训练。将联邦 RSIS 与参数高效微调（PEFT）结合可以发挥预训练基础模型在实际应用中的泛化能力，同时保持最小的参数聚合和通信开销。然而，预训练模型对异构客户端数据进行动态适应，必然增加更新不确定性，并因缺乏对每个本地模型不确定性估计而损害协同优化的可靠性。为弥合这一差距，本文提出了 FedEU—a 一个以证据不确定性为驱动的遥感图像分割联邦优化框架。具体而言，引入了个性化证据不确定性建模，以量化本地模型的认识论变异并识别局部数据分布下的高风险区域。进一步利用客户端特定特征嵌入（CFE）通过个性化注意力和元素感知参数更新方法来增强通道感知特征表示，同时保留客户端特定特性。这些不确定性估计被上传到服务器，以通过基于 Top-k 不确定性引导的加权策略（TUW）实现自适应全局聚合，从而减轻分布迁移和不可靠更新的影响。在三个大型异构数据集上的广泛实验表明，FedEU 的性能卓越。更重要的是，FedEU 通过显式减少预测不确定性，在不同客户端之间实现了平衡的模型适应， resulting in 更加稳健和可靠的联邦结果。本文的源代码将在 https://github.com/zxk688/FedEU 上发布。
引用
@article{arxiv.2603.07468,
title = {FedEU: Evidential Uncertainty-Driven Federated Fine-Tuning of Vision Foundation Models for Remote Sensing Image Segmentation},
author = {Xiaokang Zhang and Xuran Xiong and Jianzhong Huang and Lefei Zhang},
journal= {arXiv preprint arXiv:2603.07468},
year = {2026}
}
备注
14 pages, 8 figures