当汽车遇上无人机：恶劣天气下用于无源域适应的双曲联邦学习
计算机视觉与模式识别
2024-09-23 v3
摘要
在联邦学习 (FL) 中，多个客户端在不共享私有数据的情况下协作训练一个全局模型。在语义分割中，联邦无源域适应 (FFreeDA) 设置尤其引人关注，其中客户端在服务器端进行有监督预训练后，再进行无监督训练。虽然最近有少数工作涉及自动驾驶汽车的联邦学习，但内在的现实世界挑战，如恶劣天气条件的存在和不同自主智能体的存在，仍未得到探索。为了弥补这一差距，我们同时解决了这两个问题，并引入了一个新的联邦语义分割设置，其中汽车和无人机客户端共存并协作。具体来说，我们为此设置提出了一种新颖的方法，该方法利用一种批归一化天气感知策略来动态适应不同的天气条件，同时使用双曲空间原型来对齐异构客户端的表示。最后，我们引入了 FLYAWARE，这是第一个包含飞行器恶劣天气数据的语义分割数据集。
引用
@article{arxiv.2403.13762,
title = {When Cars meet Drones: Hyperbolic Federated Learning for Source-Free Domain Adaptation in Adverse Weather},
author = {Giulia Rizzoli and Matteo Caligiuri and Donald Shenaj and Francesco Barbato and Pietro Zanuttigh},
journal= {arXiv preprint arXiv:2403.13762},
year = {2024}
}
备注
WACV 2025, 10 pages manuscript, 6 pages supplemental material