UFPS：面向异构数据分布中部分标注联邦分割的统一框架
计算机视觉与模式识别
2023-11-17 v1 人工智能
摘要
部分监督分割是一种基于仅标注部分类别且类别相交的数据集的省标签方法。然而，由于隐私顾虑与数据异构性，其距真实医疗应用落地尚远。作为无隐私泄露的弥补，本文提出了联邦部分监督分割（FPSS）。FPSS 的主要挑战在于类别异构与客户端漂移。我们提出统一联邦部分标注分割（UFPS）框架，通过训练一个无类别冲突的全能全局模型，对部分标注数据集中的所有类别像素进行分割。我们的框架包含统一标签学习以及稀疏化统一锐度感知最小化，分别用于类空间与特征空间的统一。我们通过实证研究发现，部分监督分割与联邦学习传统方法的朴素组合主要受阻于类别冲突。在真实医疗数据集上的综合实验表明，相较于改进方法，UFPS 具有更优的去冲突与泛化能力。
引用
@article{arxiv.2311.09757,
title = {UFPS: A unified framework for partially-annotated federated segmentation in heterogeneous data distribution},
author = {Le Jiang and Li Yan Ma and Tie Yong Zeng and Shi Hui Ying},
journal= {arXiv preprint arXiv:2311.09757},
year = {2023}
}