FedDrive: Generalizing Federated Learning to Semantic Segmentation in Autonomous Driving

要約

セマンティック セグメンテーションは、自動運転車を自律的にするために不可欠であり、個々のピクセルを既知のカテゴリに割り当てることで周囲を理解できるようにします。
ただし、ユーザーの車から収集された機密データに基づいて動作します。
したがって、クライアントのプライバシーを保護することが主要な関心事になります。
同様の理由で、Federated Learning は、プライバシーを保護し、何百万ものリモート デバイス上のデータを活用しながら、グローバル モデルを学習することを目的とした新しい機械学習パラダイムとして最近導入されました。
このトピックに関するいくつかの取り組みにもかかわらず、これまでのところ、運転のセマンティック セグメンテーションにおけるフェデレーテッド ラーニングの課題に明示的に対処した作業はありません。
このギャップを埋めるために、FedDrive を提案します。これは、3 つの設定と 2 つのデータセットで構成される新しいベンチマークであり、統計的不均一性とドメインの一般化という現実世界の課題を取り入れています。
詳細な分析を通じてフェデレーテッド ラーニングの文献から最先端のアルゴリズムをベンチマークし、それらをスタイル転送メソッドと組み合わせて一般化能力を向上させます。
前述の課題に対処するには、正規化統計を正しく処理することが重要であることを示します。
さらに、スタイルの転送により、大幅な外観の変化を処理する際のパフォーマンスが向上します。
公式ウェブサイト: https://feddrive.github.io.

要約(オリジナル)

Semantic Segmentation is essential to make self-driving vehicles autonomous, enabling them to understand their surroundings by assigning individual pixels to known categories. However, it operates on sensible data collected from the users’ cars; thus, protecting the clients’ privacy becomes a primary concern. For similar reasons, Federated Learning has been recently introduced as a new machine learning paradigm aiming to learn a global model while preserving privacy and leveraging data on millions of remote devices. Despite several efforts on this topic, no work has explicitly addressed the challenges of federated learning in semantic segmentation for driving so far. To fill this gap, we propose FedDrive, a new benchmark consisting of three settings and two datasets, incorporating the real-world challenges of statistical heterogeneity and domain generalization. We benchmark state-of-the-art algorithms from the federated learning literature through an in-depth analysis, combining them with style transfer methods to improve their generalization ability. We demonstrate that correctly handling normalization statistics is crucial to deal with the aforementioned challenges. Furthermore, style transfer improves performance when dealing with significant appearance shifts. Official website: https://feddrive.github.io.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google