雾计算赋能无人机即服务平台的可持续联邦学习模型：面向航拍图像分类的资源优化与隐私保护方案

为解决雾计算节点资源受限导致的深度学习模型部署难题，印度信息技术学院Sri City分校团队创新性地将联邦学习(FL)与迁移学习(TL)整合到FU-Serve平台，开发出MobileNetV2优化版(8.64MB/97.68%精度)、超轻量FUSERNet(237KB/97.47%精度)及混合架构FusionNet(8.86MB/97.75%精度)。该研究通过可分离卷积和跳跃连接技术，在AIDER/NDD灾害数据集上实现模型体积最高缩减98.59%，为资源受限的灾害响应无人机提供实时、隐私安全的图像分析方案。

　　

在灾害救援的黄金72小时内，无人机(UAV)的实时图像分析能力直接关乎生命救援效率。然而传统无人机即服务(UaaS)平台依赖云计算处理数据，存在延迟高、隐私泄露风险，而搭载深度学习(DL)模型的无人机又受限于机载计算资源。更棘手的是，灾害现场常伴随通信中断，使得集中式训练模式难以为继。印度信息技术学院Sri City分校联合韩国研究团队在《Sustainable Computing: Informatics and Systems》发表的研究，为这一困境提供了创新解决方案。

研究团队在FU-Serve雾计算平台上构建了联邦学习(FL)框架，使无人机群能协同训练模型而不共享原始数据。关键技术包括：1) 采用迁移学习(TL)改造MobileNetV2，冻结前48层保留预训练特征；2) 设计FUSERNet轻量架构，运用深度可分离卷积(depthwise separable convolution)和跳跃连接(skip connection)降低参数量；3) 融合两种架构优势创建FusionNet。实验使用AIDER和NDD灾害数据集，模拟F-UAV(高性能)、H-UAV(中等配置)、N-UAV(无计算能力)三类设备的协同场景。

Modified MobileNetV2优化
通过冻结MobileNetV2早期卷积层并微调后续层，模型在保留ImageNet预训练知识的同时，将参数量压缩至8.64MB。特征可视化显示，该模型能有效捕捉建筑物坍塌特征，在测试集达到97.68%准确率，较原模型提升12%能效比。

FUSERNet轻量设计
采用倒残差结构的FUSERNet，通过逐深度卷积(depthwise convolution)和1×1逐点卷积(pointwise convolution)组合，将模型压缩至237KB。t-SNE聚类表明，其低维特征空间能清晰区分火灾与洪水场景，验证了轻量化设计的有效性。

FusionNet混合架构
融合MobileNetV2的特征提取能力和FUSERNet的轻量特性，在8.86MB体积下实现97.75%准确率。特别值得注意的是，其动态权重分配机制使模型在通信断续时仍能保持93%以上的推理性能。

模型验证
在模拟灾害场景中，FUSERNet展现出极强适应性：当H-UAV内存限制为256MB时，可同时运行4个FUSERNet实例；而FusionNet在F-UAV上处理1080P图像仅需47ms延迟，满足实时性要求。能量消耗测试显示，三款模型较传统方案降低68%-79%的能耗。

该研究开创性地解决了灾害响应中"计算精度-实时性-隐私保护"的不可能三角问题。FUSERNet的0.23MB体积重新定义了边缘设备的DL部署标准，其可分离卷积设计为后续研究提供新范式。更深远的意义在于，FU-Serve平台验证了异构无人机群的协同学习可行性，为构建抗灾通信中断的韧性应急系统奠定基础。研究团队特别指出，未来可将该框架扩展至医疗物资识别等场景，进一步释放联邦学习在边缘计算中的潜力。