Exploring Federated Learning for Thermal Urban Feature Segmentation -- A Comparison of Centralized and Decentralized Approaches
Created by
Haebom
Category
Empty
저자
Leonhard Duda, Khadijeh Alibabaei, Elena Vollmer, Leon Klug, Valentin Kozlov, Lisana Berberi, Mishal Benz, Rebekka Volk, Juan Pedro Gutierrez Hermosillo Muriedas, Markus Gotz, Judith Sainz-Pardo Diaz, Alvaro Lopez Garcia, Frank Schultmann, Achim Streit
개요
본 논문은 분산 학습(Federated Learning, FL)을 실제 환경에서 구현하고 그 효과를 평가하는 연구를 다룹니다. 특히, 무인 항공기(UAV) 기반 열화상 이미지를 사용하여 도시 환경에서 일반적인 열적 특징을 감지하는 데 FL을 적용합니다. 독일 두 도시에서 수집된 데이터의 비동일 분포 및 특징으로 인해 발생하는 문제를 해결하고자, FL 알고리즘을 중앙 집중식 학습과 비교하여 모델 정확도, 훈련 시간, 통신 오버헤드, 에너지 사용량 등의 주요 성능 지표를 평가합니다. 또한 클라이언트 제어 워크플로우와 서버 제어 워크플로우를 비교합니다.
시사점, 한계점
•
시사점:
◦
실제 UAV 기반 열화상 이미지 데이터에 대한 FL의 실용적 적용 가능성을 제시합니다.
◦
FL 알고리즘의 성능을 중앙 집중식 학습과 비교하여 실제 환경에서의 성능을 평가합니다.
◦
다양한 FL 워크플로우를 비교 분석하여 최적의 설정을 제시합니다.
◦
UAV 기반 영상 분할 작업에서 FL 방법의 실제 적용과 한계를 이해하는 데 도움을 줍니다.
•
한계점:
◦
두 도시의 데이터에 국한되어 일반화 가능성에 제약이 있을 수 있습니다.
◦
특정 FL 알고리즘 및 워크플로우에 대한 실험 결과이므로, 다른 설정에서의 일반화는 추가 연구가 필요합니다.
◦
실제 배포 환경에서 발생하는 다양한 요소(예: 통신 지연)에 대한 상세 분석이 부족할 수 있습니다.
◦
에너지 사용량 측정에 사용된 구체적인 하드웨어 및 설정에 대한 정보가 부족할 수 있습니다.
