用于森林砍伐检测的联邦学习：一种基于卫星图像的分布式方法.pdfVIP

用于森林砍伐检测的联邦学习：一种基于卫

星图像的分布式方法

尤瓦拉杰·达塔阿迪蒂亚·西克德BasabdattaPalit

电子与通信电子与通信IEEE会员

工程工程电子与通信

印度罗尔凯拉国立理工学院印度罗尔凯拉理工学院工程

dattayuv.nitrkl@aadityasikder@印度罗尔凯拉国立科技大学

palitb@nitrkl.ac.in

本摘要—准确识别卫星图像中的森林砍伐对于理解某一区域FL解决了诸如数据主权和大量卫星图像等挑战，这些

译的地理情况至关重要。本文介绍了一种新的分布式方法，利用联图像通常包含敏感信息，并且集中传输不切实际[4]。在

中邦学习（FL）在不同客户端上识别和定位森林砍伐。联邦学习遥感应用中，从卫星图像中检测森林砍伐对于理解并减

使分布式网络客户端能够在维护活跃用户数据隐私和安全的同

1轻森林损失对生物多样性和气候变化的影响至关重要，

v时协作训练模型。在我们的框架中，一个客户端对应于负责本地

因为自动化方法是高效准确监测大面积区域的必要条

1数据处理的边缘卫星中心。此外，与需要合并数据从而损害客户

3端数据安全性的集中式训练方法相比，FL具有优势。我们的框件[5]。传统的集中式机器学习方法面临重大障碍，包括

6

3架利用花朵框架结合射线框架执行分布式学习工作负载。另外，跨组织共享原始卫星数据时的隐私风险以及传输大数

1.通过射线可以确保高效的客户端生成，因为它可以选择一定数量据集的高通信开销[6]。我们的论文提出了一种用于森

9的用户来创建仿真环境。我们的FL框架使用YOLOS-small12

0林砍伐检测的联邦学习框架，利用了花朵和射线框

5（一种VisionTransformer的变体）、带有ResNet50主干架来实现一个可扩展系统，评估了如YOLOS-small和

2网络的FasterR-CNN以及带有MobileNetV3主干网络的

:FasterR-CNN的不同主干模型，并使用了诸如FedAvg

vFasterR-CNN模型，在公开数据集上进行训练和测试。我们

i的方法为我们提供了一种基于卫星图像分割任务的不同视角。和FedAvgM[7,8]等聚合策略。该方法旨在通过广泛的

x

rIndexTerms—FasterCNN,ResNet50,ViTTrans-实验[9]展示在保持数据隐私和减少通信成本的同时实

a

former,MobileNetV3,聚合策略,交并比,FedAvg,Fe-现具有竞争力的性能。

dAvgM.

本工作的贡献总结如下：

I.介绍发展一种新型的FL框架，用于基于卫星图像的

EDERATED学习（FL）是一种分散的机器学习隐私保护型森林砍伐检测，解决数据主权和通信

F方法，其中多个客户端在不共享其本地数据的情挑战。

况下协作训练模型，确保了数据隐私并减少了通信开销评估三种不同的模型架构（YOLOS-small