When Cars meet Drones: Hyperbolic Federated Learning for Source-Free Domain Adaptation in Adverse Weather

在联邦学习（FL）中，多个客户端协作训练全局模型，而不共享私人数据。在语义分割中，特别感兴趣的是联邦源自由域自适应（FFreeDA）设置，其中客户端在服务器端进行监督预训练后，经历无监督训练。虽然最近有一些研究探讨了自动驾驶车辆的FL，但现实世界中存在的困难，如恶劣天气条件的存在和不同自主代理的存在，仍未被探索。为了弥合这一差距，我们解决了这两个问题，并引入了一个新的联邦语义分割设置，其中汽车和无人机客户端共存并协作。具体来说，我们为这个设置提出了一种新颖的方法，利用批量归一化的天气感知策略来动态适应不同的天气条件，同时使用双曲空间原型来对齐异构客户端表示。最后，我们介绍了FLYAWARE，这是第一个针对空中车辆的语义分割数据集，其中包含恶劣天气数据。

本文旨在解决FL在自动驾驶领域中存在的实际问题，如恶劣天气条件和不同自主代理的存在。

本文提出了一种新的联邦语义分割设置，其中包括汽车和无人机客户端，并利用批量规范化天气感知策略动态适应模型到不同的天气条件，同时使用双曲空间原型来对齐异构客户端表示。

本文提出了FLYAWARE数据集，其中包含用于航空器的恶劣天气数据，为FL在自动驾驶领域中的应用提供了新的数据资源。此外，本文还使用批量规范化天气感知策略和双曲空间原型来提高模型的适应性和性能。

最近的一些相关研究包括：'Federated Learning for Autonomous Vehicles: Survey and Challenges'，'Federated Learning for Autonomous Driving: Opportunities and Challenges'，'Federated Learning for Autonomous Driving: A Review'等。