用于非独立同分布（non-IID）遥感场景分类的联邦特征蒸馏技术

《Journal of Systems Engineering and Electronics》：Federated feature distillation for non-IID remote sensing scene classification

　　

摘要：

随着卫星和航空遥感平台的快速发展，对分布式遥感场景分类的需求也在不断增加。传统的集中式场景分类方法需要将遥感数据传输到地面站进行处理，但这在传输效率和数据隐私方面都存在局限性。联邦学习（Federa??o de Aprendizado, FL）作为一种有前景的方法应运而生，它允许终端在不交换原始数据的情况下协同训练模型。然而，遥感数据的非独立同分布（Non-IID）特性严重影响了联邦学习的性能。为了解决这些问题，提出了一种结合特征提取（Feature Distillation, FD）的联邦框架（FedFD），用于基于联邦学习的遥感场景分类。具体而言，FedFD通过将多个终端的模型参数汇总到云端来实现协同训练，从而优化全局模型。为了进一步削弱非独立同分布数据的影响，设计了一种创新的局部特征共享策略，该策略将特征分为全局共享的必要特征和本地维护的补充特征。此外，为了应对物体和场景规模的差异，还结合了挤压-激励模块（Squeeze and Excitation Module）和金字塔池化模块（Pyramid Pooling Module）到场景分类网络中，以增强多尺度特征提取能力。在西北理工大学遥感图像场景分类45数据集（NWPU-RESISC45）和加州大学默塞德分校土地利用数据集（UC-Merced）上进行的广泛实验，在不同终端数量和非独立同分布程度下验证了FedFD的有效性和可扩展性，并证明了其在基于联邦学习的遥感场景分类中的优越性能。