แนวคิดหลัก
악천후 환경에서 자율주행 차량과 드론이 협력하여 도메인 적응을 수행하는 새로운 연합 학습 접근법을 제안한다.
บทคัดย่อ
이 논문은 자율주행 차량과 드론이 협력하여 악천후 환경에서 도메인 적응을 수행하는 새로운 연합 학습 접근법을 소개한다.
- 연합 학습 설정:
- 서버에서 합성 데이터로 사전 학습을 수행하고, 클라이언트에서 무감독 학습을 진행한다.
- 클라이언트는 자율주행 차량과 드론으로 구성되며, 다양한 기상 조건에 적응해야 한다.
- 제안 방법 (HyperFLAW):
- 기상 인지 배치 정규화 레이어를 사용하여 다양한 기상 조건에 적응한다.
- 하이퍼볼릭 공간의 프로토타입 기반 학습을 통해 이질적인 클라이언트 간 표현을 정렬한다.
- 이전 글로벌 모델과의 가중 평균을 통해 학습의 안정성을 높인다.
- FLYAWARE 데이터셋:
- 드론을 위한 첫 번째 악천후 시맨틱 세그멘테이션 데이터셋을 소개한다.
- 합성 데이터와 실제 데이터로 구성되며, 다양한 기상 조건을 포함한다.
실험 결과, 제안 방법은 기존 접근법에 비해 성능이 향상되었으며, 특히 드론 데이터에서 큰 개선을 보였다. 이는 제안 방법이 다양한 관점과 기상 조건에 효과적으로 적응할 수 있음을 보여준다.
สถิติ
합성 데이터셋 SELMA와 FLYAWARE-S에는 총 24,735개의 학습 데이터와 3,087개의 테스트 데이터가 포함되어 있다.
실제 데이터셋 ACDC와 FLYAWARE-R에는 총 1,860개의 학습 데이터와 431개의 테스트 데이터가 포함되어 있다.
คำพูด
"최근 자율주행 기술은 단순한 차량 주행을 넘어 드론과 로봇 등 다양한 자율 에이전트로 확장되고 있다."
"연합 학습은 참여자의 개인 데이터를 공유하지 않고도 협력적으로 모델을 학습할 수 있는 혁신적인 패러다임이다."