Bridging Data Islands: Geographic Heterogeneity-Aware Federated Learning for Collaborative Remote Sensing Semantic Segmentation

遥感语义分割(RSS)是地球观测任务中必不可少的任务。由于数据隐私问题，带注释的高质量遥感图像不能在机构之间良好地共享，这使得难以充分利用RSS数据来训练广义模型。联邦学习(FL)是一种隐私保护的协作学习技术，是一种潜在的解决方案。然而，目前关于如何有效应用FL在RSS中的研究仍然很少，需要进一步研究。各机构中的遥感图像通常表现出强烈的地理异质性。更具体地说，表现为类分布异质性和对象外观异质性。不幸的是，大多数现有的FL研究在地理异质性方面关注不足，从而导致全局模型的性能下降。考虑到上述问题，我们提出了一种新的地理异质性感知联邦学习(GeoFed)框架来解决隐私保护RSS。通过全局特征扩展和尾部再生模块，减轻了类分布的异质性。此外，我们设计了一种基本特征挖掘策略，通过构建基本特征来减轻对象外观的异质性。在三个数据集(FBP、CASID、Inria)上的大量实验表明，我们的GeoFed始终优于当前最先进的方法。代码将公开发布。

本论文旨在解决遥感语义分割中数据隐私保护和地理异质性问题，提出了一种新的地理异质性感知联邦学习框架（GeoFed）。

GeoFed框架通过全局特征扩展和尾部重建模块来缓解类分布异质性，并设计了基本特征挖掘策略来缓解物体外观异质性。

论文在三个数据集上进行了广泛的实验，证明了GeoFed框架的有效性，比当前最先进的方法表现更好。同时，作者还提供了代码的开源。

最近的相关研究包括“Privacy-Preserving Federated Learning for Cross-Domain Data in Medical Image Analysis”和“Federated Learning for Healthcare Informatics”等。