Exploring Personalized Federated Learning Architectures for Violence Detection in Surveillance Videos

要約

都市監視システムにおける暴力事件を検出するという課題は、ビデオデータの膨大で多様な性質によって悪化しています。
このホワイトペーパーでは、これらの問題に対処するためにパーソナライズされたフェデレーションラーニング（PFL）を使用したターゲットアプローチを紹介します。特に、フラワーフレームワーク内のパーソナライズレイヤー法でフェデレートラーニングを使用します。
私たちの方法論は、学習モデルを各監視ノードの一意のデータ特性に適応させ、監​​視ビデオデータの不均一および非IID性質を効果的に管理しています。
バランスのとれた不均衡なデータセットで実施された厳密な実験を通じて、当社のPFLモデルは精度と効率が向上し、最大99.3％の精度を達成しました。
この研究では、監視システムのスケーラビリティと有効性を大幅に改善するPFLの可能性を強調し、複雑な都市環境での暴力検出のための堅牢でプライバシーを提供するソリューションを提供します。

要約(オリジナル)

The challenge of detecting violent incidents in urban surveillance systems is compounded by the voluminous and diverse nature of video data. This paper presents a targeted approach using Personalized Federated Learning (PFL) to address these issues, specifically employing the Federated Learning with Personalization Layers method within the Flower framework. Our methodology adapts learning models to the unique data characteristics of each surveillance node, effectively managing the heterogeneous and non-IID nature of surveillance video data. Through rigorous experiments conducted on balanced and imbalanced datasets, our PFL models demonstrated enhanced accuracy and efficiency, achieving up to 99.3% accuracy. This study underscores the potential of PFL to significantly improve the scalability and effectiveness of surveillance systems, offering a robust, privacy-preserving solution for violence detection in complex urban environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google