Konsep Inti
지리적 이질성을 해결하기 위해 Global Feature Extension, Tail Regeneration, Essential Feature Mining 전략을 제안하여 연합 학습 기반 원격 탐사 의미 분할 성능을 향상시킴
Abstrak
이 논문은 원격 탐사 의미 분할(RSS) 작업에 연합 학습(FL)을 적용하는 새로운 방법을 제안한다. RSS 데이터는 지리적 이질성으로 인해 어려움을 겪는데, 이는 클래스 분포 이질성과 객체 외관 이질성으로 나타난다.
이를 해결하기 위해 다음과 같은 전략을 제안한다:
- Global Feature Extension (GFE): 지역 모델의 특징 다양성을 확장하여 전역 클래스 분포와 정렬시킴
- Tail Regeneration (TR): 전역 모델의 지식을 활용하여 소수 클래스의 성능 저하를 방지함
- Essential Feature Mining (EFM): 대조 손실을 통해 일반화된 필수 특징을 학습하여 객체 외관 이질성을 완화함
제안한 GeoFed 프레임워크를 3개의 공개 데이터셋(FBP, CASID, Inria)에 적용한 결과, 기존 최신 방법들을 일관적으로 능가하는 성능을 보였다. 특히 지리적 이질성이 심각한 FBP와 CASID 데이터셋에서 큰 성능 향상을 달성했다.
Statistik
지리적 이질성으로 인해 각 기관의 클래스 분포가 크게 다르며, 일부 기관에서는 특정 클래스가 완전히 없는 경우도 있다.
동일한 토지 피복 범주라도 지역마다 외관이 크게 다르다.
Kutipan
"Remote sensing semantic segmentation (RSS) is an es-sential task in Earth Observation missions. Due to data privacy concerns, high-quality remote sensing images with annotations cannot be well shared among institutions, making it difficult to fully utilize RSS data to train a generalized model."
"Remote sensing images in various institutions often ex-hibit strong geographical heterogeneity. More specifically, it is reflected in terms of class-distribution heterogeneity and object-appearance heterogeneity."