본 논문은 데이터 프라이버시를 유지하면서 협업 학습을 통해 이미지의 픽셀 단위 분류를 가능하게 하는 연합 의미 분할(Federated Semantic Segmentation)에 초점을 맞추고 있습니다. 기존 연구들이 이질적인 문제, 특히 도메인 이동(domain shift)을 다룰 때 의미 공간 내의 세분화된 클래스 관계를 간과하여 클래스 표현 간의 모호성이 발생하는 문제점을 지적합니다. 이를 해결하기 위해, 클래스 일관성을 확보하는 새로운 연합 분할 프레임워크인 FedSaaS를 제안합니다. FedSaaS는 클래스 예시(class exemplars)를 지역 및 글로벌 수준의 클래스 표현 기준으로 사용합니다. 서버 측에서는 업로드된 클래스 예시를 활용하여 클래스 프로토타입을 모델링하고, 이를 통해 클라이언트의 글로벌 분기를 감독하여 글로벌 수준의 표현과의 정렬을 보장합니다. 클라이언트 측에서는 글로벌 및 로컬 분기의 기여를 조화시키는 적대적 메커니즘을 통합하여 일관된 출력을 생성합니다. 또한, 동일한 의미 공간에서 두 수준의 표현 간의 일관성을 강화하기 위해 양쪽에 다중 수준 대조 손실(multilevel contrastive losses)을 적용합니다. 여러 자율 주행 장면 분할 데이터 세트에 대한 광범위한 실험을 통해 제안된 프레임워크가 최첨단 방법보다 성능이 우수하며, 평균 분할 정확도를 크게 향상시키고 클래스 일관성 표현 문제를 효과적으로 해결함을 보여줍니다.
