车联网中目标检测的稀疏联邦训练
机器学习
2023-09-08 v1 计算机视觉与模式识别
摘要
作为智能交通系统（ITS）的重要组成部分，车联网（IoV）在缓解交通问题中起着至关重要的作用。目标检测是车联网中的关键技术之一，已广泛通过分析及时且敏感的车辆相关信息来提供交通管理服务。然而，当前的目标检测方法大多基于集中式深度训练，即边缘设备获取的敏感数据需上传至服务器，这引发了隐私担忧。为缓解此类隐私泄露，我们首先提出一种基于联邦学习的框架，其中训练良好的本地模型在中心服务器中共享。然而，由于边缘设备通常计算能力有限，且车联网对低延迟有严格要求，我们进一步在边缘设备上提出稀疏训练过程，可有效精简模型并保证其在边缘设备上的训练效率，从而降低通信开销。此外，由于计算能力多样且环境动态，不同边缘设备采用不同稀疏率。为进一步保证性能，我们提出 FedWeg，一种基于 FedAvg 改进的聚合方案，其按稀疏率的倒数设计。在真实数据集上使用 YOLO 的实验表明，所提方案能在节省可观通信成本的同时达到所需的目标检测率。
引用
@article{arxiv.2309.03569,
title = {Sparse Federated Training of Object Detection in the Internet of Vehicles},
author = {Luping Rao and Chuan Ma and Ming Ding and Yuwen Qian and Lu Zhou and Zhe Liu},
journal= {arXiv preprint arXiv:2309.03569},
year = {2023}
}