NIPD：基于真实世界非独立同分布数据的联邦学习行人检测基准
计算机视觉与模式识别
2023-08-14 v2 机器学习
摘要
联邦学习（FL）作为一种隐私保护的分布式机器学习，已快速应用于无线通信网络。FL 使物联网（IoT）客户端能够获得训练良好的模型，同时防止隐私泄露。若将 FL 与行人检测结合，可直接在边缘处理视频数据，从而部署于计算能力受限的边缘设备。然而，由于不同摄像头的硬件与部署场景不同，摄像头采集的数据呈现非独立同分布（non-IID），由 FL 聚合得到的全局模型效果较差。同时，现有研究缺乏面向真实世界 FL 目标检测的公共数据集，不利于研究 IoT 摄像头上的 non-IID 问题。为此，我们开源了一个 non-IID IoT 行人检测（NIPD）数据集，采集自五种不同的摄像头。据我们所知，这是首个真正基于设备的 non-IID 行人检测数据集。基于该数据集，我们说明了如何建立 FL 实验平台，并提供了 non-IID 行人检测的基准。NIPD 有望推动 FL 的应用与智慧城市的安全。
引用
@article{arxiv.2306.15932,
title = {NIPD: A Federated Learning Person Detection Benchmark Based on Real-World Non-IID Data},
author = {Kangning Yin and Zhen Ding and Zhihua Dong and Dongsheng Chen and Jie Fu and Xinhui Ji and Guangqiang Yin and Zhiguo Wang},
journal= {arXiv preprint arXiv:2306.15932},
year = {2023}
}
备注
8 pages, 5 figures, 3 tables, FL-IJCAI 23 conference