通过 GeoFed 框架，我们提出了一种解决隐私保护遥感语义分割任务的方法，通过全局特征扩展和尾部重构模块来减轻分类分布的异质性，同时设计了一个关键特征挖掘策略来减轻目标外观的异质性。在三个数据集上进行的大量实验证明，我们的 GeoFed 方法始终优于目前的最优方法。

Apr, 2024

通过使用隐私敏感的 DPLC 机制和全局一致性感知损失函数，本文提出了 PrivacyFace 框架来改善联邦学习人脸识别，该框架在 IJB-B 和 IJB-C 上分别提高了 9.63% 和 10.26% 的精确率，并在大规模数据集上的大量实验中证明了其有效性和实用性。

Jan, 2022

该研究首次在遥感领域对当前最先进的联邦学习算法进行了比较研究，通过系统回顾计算机视觉社区中面向图像分类问题的联邦学习算法，并基于其与客户端之间训练数据异构性的有效性进行选择，对所选算法进行理论比较，并在多样化的分散化情境下通过实验分析其在多标签分类问题上的表现，从而为在遥感领域选择合适的联邦学习算法提供一份指南。

Nov, 2023

研究围绕联邦学习，提出使用强大的服务器模型帮助边缘设备解决模型容量问题，通过选择性地从多个客户端和自己进行学习，开发了深度知识并返回给客户端，取得了在图像分类任务中的优秀性能。

Oct, 2021

利用半监督联邦学习框架和模型参数混合策略来保护数据隐私实现无人机图像识别；根据不同相机模块、地域环境等数据的统计异质性问题，提出基于客户端频率的聚合规则来调整对应本地模型的权重。

Jan, 2022

本文提出了一种新颖的多模式联邦学习框架，旨在从分散的多模式遥感图像档案中学习用于遥感图像分类问题，该框架由多模式融合（MF）、特征白化（FW）和互信息最大化（MIM）三个模块组成，实验结果表明，相对于迭代模型平均（IMA），所提出的框架有效。

Jun, 2023

用于解决联邦学习中数据隐私问题导致的设备端数据无法被中心服务器使用的问题，本文提出了一种基于估计方案的设备选择算法，以最小化类别不平衡来提高联邦学习全局模型的收敛性能。

Nov, 2020

在远程感知图像分类方面的联邦学习 (Federated Learning) 领域中，本研究引入和评估了几种创新的通信策略，包括特性中心通信、伪权重合并以及同时利用权重和特性的综合方法。在两个公共场景分类数据集上进行的实验揭示了这些策略的有效性，展示了加速收敛、提高隐私性和减少网络信息交换的效果。该研究为特性中心通信在联邦学习中的意义提供了有价值的洞见，并提供了为远程感知场景量身定制的潜在应用。

Mar, 2024

通过研究最先进的转换器架构（即 MLP-Mixer、ConvMixer、PoolFormer）在非独立和非同分布的训练数据上实现联合学习，针对遥感中的多标签分类问题，在不同非独立和非同分布程度下，比较了这些转换器架构在训练数据异质性、局部训练复杂性和聚合复杂性方面的性能，实验结果表明这些架构在增加泛化能力的同时增加了局部训练和聚合复杂性，为选择适用于遥感多标签分类领域的转换器架构提供了指导。

May, 2024

提出了一种用于多标签分类的新型联邦学习框架（FedLGT），旨在解决用户异构性和标签相关性等挑战，通过在不同客户端之间传递知识来学习出稳健的全局模型，实验证明在多标签联邦学习场景下超过了标准联邦学习技术，并获得了令人满意的性能。

Dec, 2023