Core Concepts
地理的異質性を考慮したフェデレーティッド学習フレームワークGeoFedを提案し、クラス分布の異質性と物体外観の異質性を効果的に緩和する。
Abstract
本論文は、リモートセンシングセマンティックセグメンテーション(RSS)のための新しいプライバシー保護型協調学習フレームワークGeoFedを提案している。GeoFedは、クラス分布の異質性とオブジェクト外観の異質性の両方に対処するための複数の精巧に設計されたモジュールを含んでいる。
具体的には、Global Feature Extension(GFE)モジュールにより、ローカルクラス分布をグローバルクラス分布に整合させることで、クラス分布の異質性を緩和している。Tail Regeneration(TR)戦略により、尾クラスの認識能力を回復させ、クラス分布の異質性の問題に取り組んでいる。さらに、Essential Feature Mining(EFM)戦略を適用することで、オブジェクト外観の異質性を緩和している。
3つのデータセット(FBP、CASID、Inria)での実験結果から、提案手法GeoFedが従来の最先端手法を一貫して上回ることが示された。特に、地理的異質性の問題が深刻なFBPとCASIDデータセットにおいて、大幅な性能向上が確認された。
Stats
各地域の異なるクラス分布により、一部のクラスが極端に少ない(「尾クラス」)という問題がある。
同じクラスのオブジェクトでも、地域によって外観が大きく異なる。
Quotes
"リモートセンシングデータは地理的な異質性を示すことが多く、これは深刻な課題となっている。"
"クラス分布の異質性と物体外観の異質性が共存することで、問題の複雑さが増している。"