计算机应用研究

作者：林佳斌,张剑锋,邵东恒,郭杰龙,杨静,魏宪,

单位：1.福建农林大学机电工程学院,福州350100；2.中国科学院福建物质结构研究所,福州350002；3.龙合智能装备制造有限公司,福建龙岩364101；

关键词：联邦学习,点云语义分割,双层几何衍射,动态权重,

基金：福建省科技计划资助项目(2022T3053)；泉州市科技资助项目(2021C065L)；；

海量点云数据的存储对自动驾驶实时3D协同感知具有重要意义，然而出于数据安全保密性的要求，部分数据拥有者不愿共享其私人的点云数据，限制了模型训练准确性的提升。联邦学习是一种注重数据隐私安全的计算范式，提出了一种基于联邦学习的方法来解决车辆协同感知场景下的大规模点云语义分割问题。融合具有点间角度信息的位置编码方式并对邻近点进行几何衍射处理以增强模型的特征提取能力，最后根据本地模型的生成质量动态调整全局模型的聚合权重，提高数据局部几何结构的保持能力。在SemanticKITTI，SemanticPOSS和Toronto3D三个数据集上进行了实验，结果表明该算法显著优于单一训练数据和基于FedAvg的方法，在充分挖掘点云数据价值的同时兼顾各方数据的隐私敏感性。

来源：2024年第3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3期