面向6G智简网络的端侧轻量化语义分割与模型异步联邦学习协同设计.docxVIP

PAGE2

面向6G智简网络的端侧轻量化语义分割与模型异步联邦学习协同设计

摘要

6G智简网络以“智慧内生”与“极简协议”为核心理念，要求终端设备在低功耗与有限带宽条件下实现环境感知与智能决策。

语义分割作为视觉感知的基础任务，其模型通常参数量大、计算密集，难以直接部署于资源受限的端侧设备。

同时，集中式训练范式面临隐私泄露与通信瓶颈的双重挑战。

本设计针对上述矛盾，提出一种端侧轻量化语义分割网络与异步联邦学习机制的协同方案。

首先，设计基于深度可分离卷积与通道剪枝的轻量语义分割网络，在保持分割精度的前提下将模型参数量压缩至2MB以下。

其次，构建支持异构客户端与模型版本差异的异步联邦训练框架，引入加权参数聚合与梯度压缩策略，有效降低上行通信开销并提升多用户场景下的全局模型收敛效率。

本文遵循“需求分析—总体设计—详细设计—实现—测试”的工程逻辑，依次阐述了系统架构设计、核心模块算法、接口规范以及仿真验证结果。

实验表明，所提方案在Cityscapes数据集上达到72.3%mIoU，模型体积仅为1.8MB，异步联邦学习通信轮次相比同步方案减少约40%，收敛时间缩短35%。

该协同设计为6G网络中大规模分布式智能感知提供了一种可行的高效、隐私保护解决方案。

第一章绪论

1.1研究背景

6G通信网络将构建一个覆盖空天地海的一体化智能服务体系，其核心愿景是“智简网络”——