FedDrive v2: 联邦语义分割中标签偏斜对自动驾驶的影响分析

Sep, 2023

FedDrive v2: an Analysis of the Impact of Label Skewness in Federated Semantic Segmentation for Autonomous Driving

Eros Fanì, Marco Ciccone, Barbara Caputo

TL;DR我们提出了 FedDrive v2，这是自动驾驶中语义分割的联邦学习基准的扩展。在这项工作中，我们关注标签的分布不均对分割模型性能的影响，并与域漂移的影响进行比较。最后，我们研究了在测试过程中使用域信息的影响。

Abstract

We propose feddrive v2, an extension of the federated learning benchmark for semantic segmentation in Autonomous Driving. While the first

发现论文，激发创造

该研究提出了 FedDrive，这是一个新的基准，利用统计异质性和域普适性等真实世界挑战来评估联合学习在车辆语义分割中的应用，研究通过深入分析来评估目前的联合学习算法。

Feb, 2022

基于联网汽车与云端协作的联邦学习方法和无监督评分模型，能够在不需要标签的情况下准确评估驾驶员的驾驶表现。

Jan, 2024

在分布式深度学习中，研究了联邦学习在语义分割中的应用，并针对自动驾驶领域中存在的不良天气条件问题，提出利用批量归一化和超球面原型来适应不同天气条件，并引入了第一个专注于航空器的语义分割数据集 FLYAWARE。

Mar, 2024

本文提出了一种基于置信度的联邦蒸馏方法，使用熵确定每个本地模型的预测置信度，选择最有信心的本地模型作为教师，以引导全局模型的学习，从而提高自动驾驶中基于视觉的车道中心控制的性能，优于现有的联邦学习算法 FedAvg 和 FedDF。

Jun, 2023

在研究中，我们提出了一个新的框架来解决分布式学习中的不公平问题，该框架利用发现的特性选择性地丢弃不重要的参数更新，并引入公平的聚合目标以确保全局模型的无偏性。验证实验证明了该方法在 Digits 和 Office-Caltech 数据集上的高公平性和性能表现。

May, 2024

通过使用样本权重，将客户端的数据分布调整至全局分布，从而提高联邦学习的性能，减少通信成本。

Jan, 2024

本文提出了一种名为 FedFA 的鲁棒联邦学习算法，通过运用统计学的方法对每个客户端的数据进行加强，从而解决非 i.i.d. 数据分布带来的特征偏移和本地数据偏差问题。

Jan, 2023

通过在客户端引入额外的私有弱学习器与本地模型组成集成模型，FedBalance 方法能够通过融合两个模型的对数几率来纠正本地模型之间的优化偏差，从而改进本地模型的优化方向，提高少数类别的分类错误处罚并降低多数类别的注意力，从而得到更好的全局模型。

Nov, 2023

FSDv2 是一种基于 LiDAR 的全稀疏架构，通过引入虚拟体素的概念，取代了 FSDv1 中基于聚类的实例分割，消除了手工设计引入的归纳偏差，从而提高了模型的普适性。通过实验验证，FSDv2 在不同场景中展现出卓越的性能，尤其在远距离场景中具有优势，并且已经开源以促进可复现性和进一步的研究。

Aug, 2023

本文研究联邦学习中的标签分布偏斜问题，通过引入 FedLC 方法实现了基于标签分布偏差较小的联邦优化，实验证明该方法可以提高全局模型的准确性和性能。

Sep, 2022