面向跨视图地理定位的个人化联邦学习

本文提出了一种将联邦学习 (Federated Learning, FL) 与跨视图图像地理定位 (Cross-view Image Geo-localization, CVGL) 技术结合的方法。我们针对自动驾驶环境中数据隐私和异构性挑战，提出了一种允许选择性共享模型参数的个人化联邦学习场景。该方法实现了粗到细的方法，其中客户端仅共享粗糙特征提取器，同时保留针对本地环境的细粒度特征。我们使用 KITTI 数据集结合卫星影像，对该方法进行评估，与传统中心化和单客户端训练方案进行了比较。结果表明，所提出的联邦 CVGL 方法在保持数据隐私的同时，实现了接近中心化训练的性能。该提出的部分模型共享策略显示出与经典联邦学习相当或略优于的性能，显著降低了通信开销而不牺牲准确性。我们的工作为在多样化环境中运行的自动驾驶车辆提供更稳健、更隐私保护的定位系统作出了贡献。