联邦学习对分布式遥感数据集的影响
计算机视觉与模式识别
2026-04-14 v1
摘要
遥感数据集本质上是分布式的：如Sentinel-1、Sentinel-2和Sentinel-3等地球观测任务已累积超过5 petabytes的影像，存储和处理遍布多个地理位置。以集中方式训练机器学习模型在数据量大、数据主权受限且地理分布广泛的情况下是不可行的。联邦学习（FL）通过保持数据本地化仅交换模型更新来解决此问题。遥感领域的核心挑战在于数据呈非独立同分布（non-IID）特征：标签分布因地理区域差异而强烈变化，导致标准FL算法收敛性能下降。本文对三种FL策略——FedAvg、FedProx和批量同步并行（BSP）——应用于受控非IID标签不平衡条件下的多标签遥感图像分类进行系统实证研究。我们评估了三种卷积神经网络（CNN）架构的深度递增效果（LeNet、AlexNet和ResNet-34），并分析了算法选择、模型容量、客户端比例、客户端数量、批量大小及通信成本的联合影响。在UC Merced多标签数据集上的实验表明，在数据异构性下，FedProx在更深的网络架构上优于FedAvg；BSP方法在高顺序通信成本下可达到集中式准确度；而在所考虑的数据集规模下，LeNet在准确度与通信成本之间提供了最佳权衡。
引用
@article{arxiv.2604.11562,
title = {The Impact of Federated Learning on Distributed Remote Sensing Archives},
author = {Anand Umashankar and Karam Tomotaki-Dawoud and Nicolai Schneider},
journal= {arXiv preprint arXiv:2604.11562},
year = {2026}
}
备注
This work was completed in 2021. It is posted as a historical record and reference baseline