⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-05-16 更新
FedSaaS: Class-Consistency Federated Semantic Segmentation via Global Prototype Supervision and Local Adversarial Harmonization
Authors:Xiaoyang Yu, Xiaoming Wu, Xin Wang, Dongrun Li, Ming Yang, Peng Cheng
Federated semantic segmentation enables pixel-level classification in images through collaborative learning while maintaining data privacy. However, existing research commonly overlooks the fine-grained class relationships within the semantic space when addressing heterogeneous problems, particularly domain shift. This oversight results in ambiguities between class representation. To overcome this challenge, we propose a novel federated segmentation framework that strikes class consistency, termed FedSaaS. Specifically, we introduce class exemplars as a criterion for both local- and global-level class representations. On the server side, the uploaded class exemplars are leveraged to model class prototypes, which supervise global branch of clients, ensuring alignment with global-level representation. On the client side, we incorporate an adversarial mechanism to harmonize contributions of global and local branches, leading to consistent output. Moreover, multilevel contrastive losses are employed on both sides to enforce consistency between two-level representations in the same semantic space. Extensive experiments on several driving scene segmentation datasets demonstrate that our framework outperforms state-of-the-art methods, significantly improving average segmentation accuracy and effectively addressing the class-consistency representation problem.
联邦语义分割通过协作学习实现了图像中的像素级分类，同时保持了数据隐私。然而，现有的研究在处理异质性问题时，特别是领域迁移问题时，通常忽视了语义空间内的精细粒度类关系。这种疏忽导致了类表示之间的歧义。为了克服这一挑战，我们提出了一种新型的联邦分割框架，称为FedSaaS，它强调了类的一致性。具体来说，我们引入类范例作为局部和全局级别类表示的标准。在服务器端，上传的类范例被用来建立类原型，这些原型监督客户端的全局分支，确保与全局级别的表示对齐。在客户端方面，我们引入对抗机制来协调全局和局部分支的贡献，从而产生一致的输出。此外，在两侧都采用了多级对比损失，以强制同一语义空间中的两级表示之间的一致性。在几个驾驶场景分割数据集上的广泛实验表明，我们的框架优于最先进的方法，平均分割精度显著提高，并有效地解决了类一致性表示问题。
论文及项目相关链接
Summary：
联邦语义分割技术通过协作学习实现图像像素级分类，同时保护数据隐私。现有研究在解决异构问题时，忽视了语义空间内的精细类关系，特别是在领域迁移方面。为解决这一问题，我们提出了一个新型的联邦分割框架——FedSaaS，引入类范例作为本地和全局级别的类表示标准。服务器利用上传的类范例构建类原型，监督客户端全局分支，确保与全局级别表示对齐；客户端则融入对抗机制，调和全局和局部分支的贡献，实现一致输出。此外，两侧均使用多层对比损失，以强化同一语义空间内两级表示的一致性。在多个驾驶场景分割数据集上的实验表明，我们的框架优于最新方法，平均分割精度显著提升，有效解决了类一致性表示问题。
Key Takeaways：
- 联邦语义分割技术结合了像素级图像分类和协作学习，同时保护数据隐私。
- 现有研究在解决异构问题时忽视了语义空间内的精细类关系。
- 新型联邦分割框架FedSaaS通过引入类范例来增强类一致性。
- 服务器利用类范例构建类原型，监督客户端全局分支。
- 客户端融入对抗机制以实现全局和局部分支的调和和一致输出。
- 多层对比损失用于强化同一语义空间内两级表示的一致性。
点此查看论文截图
