计算机应用研究

作者：董成荣,姚俊萍,李晓军,苏逸,周志杰,

单位：火箭军工程大学,西安710025；

关键词：语义分割,联邦学习,协同训练,数据异质性,标签缺失,

基金：国家自然科学基金资助项目(61833016,62227814)；陕西省科技创新团队项目(2022TD-24)；；

语义分割在医学图像分析、战场态势感知等领域起着重要作用，但单一客户端通常无法为模型提供足够数量与多样性的训练数据，因此从复杂多变的分布式数据中训练语义分割模型是有必要的。为了不泄露数据隐私和保护数据安全，应用联邦学习在多客户端协同训练语义分割模型成为领域研究热点。在联邦语义分割定义基础上，围绕分布式复杂数据样本的数据异质性、标签缺失两个关键特征，开展联邦语义分割的问题描述、技术路径、典型模型实例等综述分析，评估不同方法的适用性及特点，梳理当前应用成果，提出针对该问题的潜在研究机会。研究为开展面向分布式复杂数据样本的联邦语义分割方法及相关研究提供借鉴和参考。

来源：2024年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第6期