FedS2R: One-Shot Federated Domain Generalization for Synthetic-to-Real Semantic Segmentation in Autonomous Driving
Author
- Haebom
Category
Empty
저자
Tao Lian, Jose L. Gomez, Antonio M. Lopez
💡 개요
본 논문은 자율 주행을 위한 합성 데이터에서 실제 데이터로의 의미론적 분할(semantic segmentation) 문제 해결을 목표로 하며, 연합 도메인 일반화(federated domain generalization) 분야에서 최초로 시도되는 원샷(one-shot) 프레임워크인 FedS2R을 제안한다. FedS2R은 불안정한 클래스 이미지를 생성하는 비일관성 기반 데이터 증강과 여러 클라이언트 모델로부터 전역 모델을 추출하는 다중 클라이언트 지식 증류 및 특징 융합 기법을 포함한다. 실제 다섯 개의 데이터셋에 대한 실험 결과, 제안된 전역 모델은 개별 클라이언트 모델보다 우수한 성능을 보이며, 모든 클라이언트 데이터에 동시 접근하여 학습한 모델과도 2 mIoU 포인트 차이밖에 나지 않는다는 것을 입증했다.
🔑 시사점 및 한계
•
연합 학습 환경에서 합성 데이터를 이용한 자율 주행 의미론적 분할의 실질적인 성능 향상 가능성을 보여준다.
•
데이터 프라이버시를 유지하면서 여러 도메인의 데이터를 효과적으로 활용할 수 있는 새로운 접근 방식을 제시한다.
•
모든 클라이언트 데이터에 동시 접근하여 학습한 모델과의 성능 격차(2 mIoU)를 줄이기 위한 추가적인 연구 및 최적화가 필요하다.
