跳到正文
arXiv cs.AI· Tao Lian, Jose L. G\'omez, Antonio M. L\'opez·· 10 小时前AI 评分22

FedS2R:面向自动驾驶合成到真实语义分割的一次性联邦域泛化框架

FedS2R: One-Shot Federated Domain Generalization for Synthetic-to-Real Semantic Segmentation in Autonomous Driving

AI 导读

FedS2R 是首个面向自动驾驶合成到真实语义分割的一次性联邦域泛化框架,由不一致性驱动的数据增强策略和多客户端知识蒸馏与特征融合两部分组成。在 Cityscapes、BDD100K、Mapillary、IDD 和 ACDC 五个真实数据集上,其全局模型显著优于各客户端单独模型,仅比同时访问全部客户端数据训练的模型低 2 mIoU。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:联邦域泛化在图像分类领域已取得可喜进展,它使多个客户端无需共享原始数据即可协同训练。然而,其在自动驾驶语义分割中的潜力仍未得到充分探索。本文提出 FedS2R,这是首个面向自动驾驶合成到真实语义分割的一次性联邦域泛化框架。FedS2R 包含两个组件:一种不一致性驱动的数据增强策略,用于为不稳定类别生成图像;以及一种带特征融合的多客户端知识蒸馏方案,从多个客户端模型中蒸馏出全局模型。在 Cityscapes、BDD100K、Mapillary、IDD 和 ACDC 五个真实世界数据集上的实验表明,该全局模型显著优于各个客户端模型,且仅比同时访问所有客户端数据训练的模型低 2 个 mIoU 点。这些结果证明了 FedS2R 在联邦学习下自动驾驶合成到真实语义分割中的有效性
评论: 被 IEEE 智能车辆研讨会(IV)2026 接收
主题: 计算机视觉与模式识别(cs.CV);人工智能(cs.AI)
引用为: arXiv:2507.19881 [cs.CV]
  (或本版本引用 arXiv:2507.19881v4 [cs.CV])
  https://doi.org/10.48550/arXiv.2507.19881

arXiv 颁发的 DOI(通过 DataCite)

提交历史

来自:Tao Lian [查看邮箱]
[v1] 2025年7月26日 星期六 09:24:00 UTC(5,730 KB)
[v2] 2026年6月1日 星期一 14:48:08 UTC(5,839 KB)
[v3] 2026年7月21日 星期二 10:06:33 UTC(5,839 KB)
[v4] 2026年11月18日 星期三 10:41:29 UTC(5,838 KB)

来源:arXiv cs.AI · arxiv.org