FedRC：面向街道场景语义理解的快速收敛层次化联邦学习框架
机器人学
2024-07-02 v1
摘要
街道场景语义理解（称为TriSU）是面向全球分布的自动驾驶（AD）车辆（如特斯拉）的关键但复杂任务。其推理模型因跨城市领域迁移问题面临泛化性能差的问题。层次化联邦学习（Hierarchical Federated Learning，HFL）为提高TriSU模型的泛化性提供了潜在解决方案，但由于车辆在不同城市之间的环境异构性， suffers from收敛速度慢的问题。超越现有HFL工作在复杂任务方面能力不足的限制，我们提出一种快速收敛异构HFL框架（FedRC），以解决跨城市数据异构性并加速HFL模型的收敛速度。在我们提出的FedRC框架中，将单个RGB图像和RGB数据集均建模为HFL聚合权重设计中的高斯分布。这一方法不仅区分每个RGB样本而不是通常的等化它们，还考虑数据量和统计特性，而不仅仅是考虑数据数量。针对TriSU任务使用跨城市数据集进行的广泛实验表明，FedRC在mIoU、mPrecision、mRecall和mF1方面分别比当前最先进的基准快38.7%、37.5%、35.5%和40.6%。此外，在CARLA仿真环境中的定性评估确认，所提出的FedRC框架提供了顶级性能。
引用
@article{arxiv.2407.01103,
title = {FedRC: A Rapid-Converged Hierarchical Federated Learning Framework in Street Scene Semantic Understanding},
author = {Wei-Bin Kou and Qingfeng Lin and Ming Tang and Shuai Wang and Guangxu Zhu and Yik-Chung Wu},
journal= {arXiv preprint arXiv:2407.01103},
year = {2024}
}
备注
This work has been accepted by 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2024)