面向无人机物联网图像自动识别的鲁棒半监督联邦学习
机器学习
2022-01-05 v1 人工智能
计算机视觉与模式识别
摘要
空中接入网络已被认为是各类物联网(IoT)服务与应用的重要驱动力。尤以无人机物联网为核心的空中计算网络基础设施，引发了图像自动识别的新一轮变革。该新兴技术依赖于无人机(UAV)集群间共享真实标注数据，以训练高质量的自动图像识别模型。然而，此方法会带来数据隐私与数据可用性挑战。为解决这些问题，我们首先提出一种用于隐私保护无人机图像识别的半监督联邦学习(SSFL)框架。具体而言，我们提出模型参数混合策略，以改进在两种现实场景(标签在客户端与标签在服务器端)下联邦学习与半监督学习方法的朴素组合，称为联邦混合(FedMix)。此外，不同环境下使用不同摄像模块采集的无人机本地数据在数量、特征与分布上存在显著差异，即统计异质性。为缓解统计异质性问题，我们提出一种基于客户端训练参与频率的聚合规则，即FedFreq聚合规则，其可根据频率调整相应本地模型的权重。数值结果表明，我们所提方法的性能显著优于当前基线，且对客户端数据的不同非IID程度具有鲁棒性。
引用
@article{arxiv.2201.01230,
title = {Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones},
author = {Zhe Zhang and Shiyao Ma and Zhaohui Yang and Zehui Xiong and Jiawen Kang and Yi Wu and Kejia Zhang and Dusit Niyato},
journal= {arXiv preprint arXiv:2201.01230},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2110.13388