論文の概要: FedS2R: One-Shot Federated Domain Generalization for Synthetic-to-Real Semantic Segmentation in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2507.19881v1
• Date: Sat, 26 Jul 2025 09:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:56.368506
• Title: FedS2R: One-Shot Federated Domain Generalization for Synthetic-to-Real Semantic Segmentation in Autonomous Driving
• Title（参考訳）: FedS2R: 自律運転における合成・リアルタイムセマンティックセマンティックセグメンテーションのためのワンショットフェデレーションドメイン一般化
• Authors: Tao Lian, Jose L. Gómez, Antonio M. López,
• Abstract要約: フェデレートされたドメインの一般化は、生データを共有せずに複数のクライアント間で協調的なトレーニングを可能にすることで、画像分類の進歩を示す。 我々は、自律運転における合成と現実のセマンティックセマンティックセグメンテーションのための、最初のワンショットフェデレーションドメイン一般化フレームワークであるFedS2Rを提案する。
• 参考スコア（独自算出の注目度）: 7.658092990342648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated domain generalization has shown promising progress in image classification by enabling collaborative training across multiple clients without sharing raw data. However, its potential in the semantic segmentation of autonomous driving remains underexplored. In this paper, we propose FedS2R, the first one-shot federated domain generalization framework for synthetic-to-real semantic segmentation in autonomous driving. FedS2R comprises two components: an inconsistency-driven data augmentation strategy that generates images for unstable classes, and a multi-client knowledge distillation scheme with feature fusion that distills a global model from multiple client models. Experiments on five real-world datasets, Cityscapes, BDD100K, Mapillary, IDD, and ACDC, show that the global model significantly outperforms individual client models and is only 2 mIoU points behind the model trained with simultaneous access to all client data. These results demonstrate the effectiveness of FedS2R in synthetic-to-real semantic segmentation for autonomous driving under federated learning
• Abstract（参考訳）: フェデレートされたドメインの一般化は、生データを共有せずに複数のクライアント間で協調的なトレーニングを可能にすることで、画像分類の進歩を示す。 しかし、自律運転のセマンティックセグメンテーションにおけるその可能性はまだ未解明のままである。 本稿では,自律運転における合成と現実のセマンティックセマンティックセグメンテーションのための,最初のワンショットフェデレーションドメイン一般化フレームワークであるFedS2Rを提案する。 FedS2Rは、不安定なクラスのための画像を生成する不整合駆動型データ拡張戦略と、複数のクライアントモデルからグローバルモデルを蒸留する特徴融合を伴うマルチクライアント知識蒸留スキームの2つのコンポーネントから構成される。 Cityscapes、BDD100K、Mapillary、IDD、ACDCの5つの実世界のデータセットの実験では、グローバルモデルが個々のクライアントモデルを大幅に上回っており、すべてのクライアントデータへの同時アクセスでトレーニングされたモデルの後ろには2mIoUポイントしかありません。 これらの結果は、フェデレート学習による自律運転における合成と現実のセマンティックセグメンテーションにおけるFedS2Rの有効性を示す。

関連論文リスト

• Federated Learning with Domain Shift Eraser [16.685557256108265]
  フェデレーテッド・ラーニング(FL)は、デバイスを離れることなくコラボレーティブ・ラーニングのための有望なテクニックとして浮上している。 本稿では,FDSE(Federated Domain Shift Eraser)という新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-17T11:10:31Z)
• Adapter-based Selective Knowledge Distillation for Federated Multi-domain Meeting Summarization [36.916155654985936]
  会議要約は、利用者に凝縮した要約を提供するための有望な手法として登場した。 本稿では,適応型選択的知識蒸留法(AdaFedSelecKD)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T03:34:01Z)
• DYNAFED: Tackling Client Data Heterogeneity with Global Dynamics [60.60173139258481]
  非イド分散データに対する局所訓練は、偏向局所最適化をもたらす。 自然な解決策は、サーバがデータ分散全体のグローバルなビューを持つように、すべてのクライアントデータをサーバに収集することです。 本稿では,データプライバシを損なうことなく,サーバ上でのグローバルな知識の収集と活用を図る。
  論文  参考訳（メタデータ） (2022-11-20T06:13:06Z)
• FedSiam-DA: Dual-aggregated Federated Learning via Siamese Network under Non-IID Data [21.95009868875851]
  フェデレートされた学習は、データアイランドに対処できるが、実際のアプリケーションで不均一なデータでトレーニングすることは依然として困難である。 本稿では,新しい二重集約型コントラスト学習手法であるFedSiam-DAを提案する。
  論文  参考訳（メタデータ） (2022-11-17T09:05:25Z)
• A Closer Look at Personalization in Federated Image Classification [33.27317065917578]
  フェデレートラーニング(FL)は、分散化されたデータにまたがる単一のグローバルモデルを学ぶために開発された。 本稿では,グローバルモデルの収束後,フレキシブルなパーソナライゼーションを実現することができることを示す。 独立二段階パーソナライズされたFLフレームワークであるRepPerを提案する。
  論文  参考訳（メタデータ） (2022-04-22T06:32:18Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• MSeg: A Composite Dataset for Multi-domain Semantic Segmentation [100.17755160696939]
  セマンティックセグメンテーションデータセットを異なるドメインから統合する合成データセットであるMSegを提案する。 一般化と画素レベルのアノテーションのアライメントを調整し,2万枚以上のオブジェクトマスクを8万枚以上の画像で再現する。 MSegでトレーニングされたモデルは、WildDash-v1のリーダーボードで、トレーニング中にWildDashのデータに触れることなく、堅牢なセマンティックセグメンテーションのためにランク付けされている。
  論文  参考訳（メタデータ） (2021-12-27T16:16:35Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• FedH2L: Federated Learning with Model and Statistical Heterogeneity [75.61234545520611]
  フェデレートラーニング(FL)は、分散参加者が個々のデータのプライバシを犠牲にすることなく、強力なグローバルモデルを集合的に学習することを可能にする。 我々はFedH2Lを導入し、これはモデルアーキテクチャに非依存であり、参加者間で異なるデータ分散に対して堅牢である。 パラメータや勾配を共有するアプローチとは対照的に、FedH2Lは相互蒸留に依存し、参加者間で共有シードセットの後方のみを分散的に交換する。
  論文  参考訳（メタデータ） (2021-01-27T10:10:18Z)
• 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)
• Unsupervised Domain Adaptation for Mobile Semantic Segmentation based on Cycle Consistency and Feature Alignment [28.61782696432711]
  実世界と合成表現のドメインシフト問題に対処する新しいUnsupervised Domain Adaptation (UDA)戦略を提案する。 提案手法は,合成データに基づいて訓練されたセグメンテーションネットワークを実世界のシナリオに適用することで,優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-01-14T10:12:20Z)

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。