論文の概要: FedSaaS: Class-Consistency Federated Semantic Segmentation via Global Prototype Supervision and Local Adversarial Harmonization

• arxiv url: http://arxiv.org/abs/2505.09385v1
• Date: Wed, 14 May 2025 13:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.475937
• Title: FedSaaS: Class-Consistency Federated Semantic Segmentation via Global Prototype Supervision and Local Adversarial Harmonization
• Title（参考訳）: FedSaaS:グローバルプロトタイプスーパービジョンによるクラス一貫性フェデレーションセマンティックセマンティックセマンティックセマンティックセマンティックシグメンテーションと地域対立調和
• Authors: Xiaoyang Yu, Xiaoming Wu, Xin Wang, Dongrun Li, Ming Yang, Peng Cheng,
• Abstract要約: 統合セマンティックセグメンテーションは、協調学習による画像のピクセルレベルの分類を可能にする。 我々は、FedSaaSと呼ばれるクラス一貫性に挑戦する新しいフレームワークを提案する。 本フレームワークは,平均セグメンテーション精度を大幅に向上させ,クラス一貫性表現問題に効果的に対処する。
• 参考スコア（独自算出の注目度）: 14.90727017126931
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated semantic segmentation enables pixel-level classification in images through collaborative learning while maintaining data privacy. However, existing research commonly overlooks the fine-grained class relationships within the semantic space when addressing heterogeneous problems, particularly domain shift. This oversight results in ambiguities between class representation. To overcome this challenge, we propose a novel federated segmentation framework that strikes class consistency, termed FedSaaS. Specifically, we introduce class exemplars as a criterion for both local- and global-level class representations. On the server side, the uploaded class exemplars are leveraged to model class prototypes, which supervise global branch of clients, ensuring alignment with global-level representation. On the client side, we incorporate an adversarial mechanism to harmonize contributions of global and local branches, leading to consistent output. Moreover, multilevel contrastive losses are employed on both sides to enforce consistency between two-level representations in the same semantic space. Extensive experiments on several driving scene segmentation datasets demonstrate that our framework outperforms state-of-the-art methods, significantly improving average segmentation accuracy and effectively addressing the class-consistency representation problem.
• Abstract（参考訳）: 統合セマンティックセグメンテーションは、データのプライバシを維持しながら協調学習を通じて、画像のピクセルレベルの分類を可能にする。 しかし、既存の研究では、不均一な問題、特にドメインシフトに対処する際、セマンティック空間内のきめ細かいクラス関係を概ね見落としている。 この監視はクラス表現の曖昧さをもたらす。 この課題を克服するために、FedSaaSと呼ばれるクラス一貫性を損なう新しいフェデレーションセグメンテーションフレームワークを提案する。 具体的には,局所およびグローバルレベルのクラス表現の基準として,クラス例を紹介する。 サーバ側では、アップロードされたクラスの例は、クライアントのグローバルブランチを監督し、グローバルレベルの表現との整合性を確保するモデルクラスのプロトタイプに活用されます。 クライアント側では,グローバルブランチとローカルブランチのコントリビューションを調和させ,一貫したアウトプットを実現するための対向メカニズムを組み込む。 さらに、同じ意味空間における2レベル表現間の整合性を強制するために、両面にマルチレベルコントラスト損失を用いる。 いくつかの運転シーンセグメンテーションデータセットに対する大規模な実験により、我々のフレームワークは最先端の手法よりも優れ、平均セグメンテーション精度を大幅に向上し、クラス一貫性表現問題に効果的に対処できることが示されている。

関連論文リスト

• FedCCL: Federated Dual-Clustered Feature Contrast Under Domain Heterogeneity [43.71967577443732]
  フェデレートラーニング(FL)は、エッジクライアントと中央サーバとのコラボレーションを通じて、プライバシ保護のニューラルネットワークトレーニングパラダイムを促進する。 最近の研究は、単に正規化の形式として平均的な信号を使い、これらの非IID課題の1つの側面にのみ焦点をあてることに限られている。 マルチクラスタ機能を持つコントラストベースのFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-14T13:56:30Z)
• Navigating Alignment for Non-identical Client Class Sets: A Label Name-Anchored Federated Learning Framework [26.902679793955972]
  FedAlignはラベルとデータの観点からクライアント間の遅延スペースを調整する新しいフレームワークである。 ラベルの観点からは、表現力のある自然言語クラス名をラベルエンコーダの共通基盤として活用し、クラス表現をアンカーする。 データの観点からは、グローバルクラス表現をアンカーとみなし、局所的に知らないクラスのアンカーに十分近い、あるいは遠くにあるデータポイントを活用して、クライアント間でデータエンコーダを整列させる。
  論文  参考訳（メタデータ） (2023-01-01T23:17:30Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Federated Unsupervised Representation Learning [56.715917111878106]
  フェデレート非教師表現学習(FURL)と呼ばれるフェデレーション学習における新しい問題を定式化し、教師なしの共通表現モデルを学習する。 FedCAは2つの主要なモジュールで構成されている: 辞書モジュールは、各クライアントからのサンプルの表現を集約し、表現空間の整合性のためにすべてのクライアントと共有し、アライメントモジュールは、公開データに基づいてトレーニングされたベースモデル上で各クライアントの表現を整合させる。
  論文  参考訳（メタデータ） (2020-10-18T13:28:30Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation [95.10255219396109]
  クラスレベルの特徴アライメントのための微粒な逆学習戦略を提案する。 ドメイン区別器として機能するだけでなく、クラスレベルでドメインを区別する、きめ細かいドメイン識別器を採用しています。 CCD (Class Center Distance) を用いた解析により, 粒度の細かい対角戦略により, クラスレベルのアライメントが向上することが確認された。
  論文  参考訳（メタデータ） (2020-07-17T20:50:59Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。