FedUKD：基于知识蒸馏的联邦 UNet 模型用于卫星与街景影像土地利用分类
计算机视觉与模式识别
2022-12-06 v1 分布式、并行与集群计算
机器学习
摘要
联邦深度学习框架可策略性地用于本地监测土地利用并全局推断环境影响。构建全球土地利用分类模型需要来自世界各地的分布式数据。该应用领域对联邦方法的需求在于避免分布式位置的数据传输并节省网络带宽以降低通信成本。我们使用联邦 UNet 模型对卫星和街景图像进行语义分割。所提架构的新颖之处在于集成知识蒸馏以降低通信成本和响应时间。所得准确率超过 95%，并且我们实现了显著的模型压缩，对街景和卫星图像分别超过 17 倍和 62 倍。我们提出的框架有潜力成为全球实时追踪气候变化的改变者。
引用
@article{arxiv.2212.02196,
title = {FedUKD: Federated UNet Model with Knowledge Distillation for Land Use Classification from Satellite and Street Views},
author = {Renuga Kanagavelu and Kinshuk Dua and Pratik Garai and Susan Elias and Neha Thomas and Simon Elias and Qingsong Wei and Goh Siow Mong Rick and Liu Yong},
journal= {arXiv preprint arXiv:2212.02196},
year = {2022}
}