FedS2R：面向自动驾驶中合成到真实语义分割的单样本联邦域泛化
计算机视觉与模式识别
2025-07-29 v1 人工智能
摘要
联邦域泛化在图像分类中通过在不共享原始数据的情况下实现跨多个客户端协同训练，展现了广泛前景。然而，其在自动驾驶语义分割领域的潜力尚未得到充分探索。本文提出FedS2R，即首个面向自动驾驶中合成到真实语义分割的单样本联邦域泛化框架。FedS2R包含两个组成部分：不一致驱动的数据增强策略，用于生成不稳定类别的图像，以及基于特征融合的多客户端知识蒸馏方案，从多个客户端模型中蒸馏出全局模型。在五个真实数据集上进行的实验表明，全局模型显著优于单个客户端模型，且仅比同时获取所有客户端数据的模型差距2个mIoU分。这些结果表明FedS2R在自动驾驶中合成到真实语义分割方面具有有效性。
引用
@article{arxiv.2507.19881,
title = {FedS2R: One-Shot Federated Domain Generalization for Synthetic-to-Real Semantic Segmentation in Autonomous Driving},
author = {Tao Lian and Jose L. Gómez and Antonio M. López},
journal= {arXiv preprint arXiv:2507.19881},
year = {2025}
}