FedUKD: Federated UNet Model with Knowledge Distillation for Land Use Classification from Satellite and Street Views

要約

Federated Deep Learningフレームワークは、土地利用をローカルに監視し、環境への影響をグローバルに推測するために戦略的に使用することができます。Land Use分類のためのグローバルなモデルを構築するためには、世界中の分散したデータが必要になります。この応用領域におけるFederatedアプローチの必要性は、分散した場所からのデータ転送を回避し、ネットワーク帯域幅を節約して通信コストを削減することでしょう。我々は、衛星画像とストリートビュー画像のセマンティックセグメンテーションのために、Federated UNetモデルを使用する。提案アーキテクチャの新規性は、通信コストと応答時間を削減するために知識蒸留を統合したことである。その結果、95%以上の精度を達成し、ストリートビューと衛星画像に対してそれぞれ17倍、62倍という大幅なモデル圧縮を実現しました。提案するフレームワークは、地球上の気候変動をリアルタイムに追跡する上で、画期的なものになる可能性を秘めています。

要約(オリジナル)

Federated Deep Learning frameworks can be used strategically to monitor Land Use locally and infer environmental impacts globally. Distributed data from across the world would be needed to build a global model for Land Use classification. The need for a Federated approach in this application domain would be to avoid transfer of data from distributed locations and save network bandwidth to reduce communication cost. We use a Federated UNet model for Semantic Segmentation of satellite and street view images. The novelty of the proposed architecture is the integration of Knowledge Distillation to reduce communication cost and response time. The accuracy obtained was above 95% and we also brought in a significant model compression to over 17 times and 62 times for street View and satellite images respectively. Our proposed framework has the potential to be a game-changer in real-time tracking of climate change across the planet.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL