水平联邦计算机视觉
计算机视觉与模式识别
2024-10-15 v2 人工智能
分布式、并行与集群计算
机器学习
摘要
在现代世界中，记录的视觉数据量迅速增加。在许多情况下，数据存储于地理位置分散的不同地点，因此整合这些数据需要大量的时间和空间。有时，隐私保护法规也会阻止数据整合。在本工作中，我们提出了使用联邦 Faster R-CNN (FRCNN) 进行目标检测和识别的联邦实现，以及使用联邦全卷积网络 (FCN) 进行图像分割的联邦实现。我们的 FRCNN 在 COCO2017 数据集的 5000 个样本上进行了训练，而我们的 FCN 则在 CamVid 数据集的整个训练集上进行了训练。所提出的联邦模型解决了视觉数据体量增长和去中心化性质带来的挑战，提供了符合隐私法规的高效解决方案。
引用
@article{arxiv.2401.00390,
title = {Horizontal Federated Computer Vision},
author = {Paul K. Mandal and Cole Leo and Connor Hurley},
journal= {arXiv preprint arXiv:2401.00390},
year = {2024}
}
备注
11 pages, 8 figures