講演情報
[2E5-GS-10o-05]実環境物体検出におけるドメイン適応のためのクラスタリング連合学習のロバスト性検証
〇朱 赫1、藤後 廉1、前田 圭介1、小川 貴弘1、長谷山 美紀1 (1. 北海道大学)
キーワード：
物体検出、連合学習、クラスタリング
近年，深層学習を用いた物体検出の実社会への導入が進展している．しかし，設置場所や時間帯による撮影条件の違いが認識精度の低下を引き起こすという課題がある．特に，プライバシーやセキュリティの観点から映像データを集約できない環境においては，現地で適応学習を行う必要があるが，拠点ごとのデータ量や質の偏りが大きいため，単独での学習が困難である場合が存在する．
本研究では，データを各拠点に分散させたまま学習を行う連合学習（Federated Learning）において，特にNon-IID環境下でのロバスト性向上を目的としたクラスタリング連合学習の有効性を検証する．具体的には，画像特徴量に基づくクラスタリングにより類似したドメインを持つ拠点を動的にグルーピングし，クラスタ内およびクラスタ間で階層的にモデルを統合する手法を用いる．
実際の監視カメラ映像を用いた6拠点での検証実験の結果，提案手法が未知のドメインに対するロバスト性を向上させるとともに，単純な平均化に比べてモデルの特徴表現の多様性を維持できることを定量的に明らかにした．
本研究では，データを各拠点に分散させたまま学習を行う連合学習（Federated Learning）において，特にNon-IID環境下でのロバスト性向上を目的としたクラスタリング連合学習の有効性を検証する．具体的には，画像特徴量に基づくクラスタリングにより類似したドメインを持つ拠点を動的にグルーピングし，クラスタ内およびクラスタ間で階層的にモデルを統合する手法を用いる．
実際の監視カメラ映像を用いた6拠点での検証実験の結果，提案手法が未知のドメインに対するロバスト性を向上させるとともに，単純な平均化に比べてモデルの特徴表現の多様性を維持できることを定量的に明らかにした．
コメント
コメントの閲覧・投稿にはログインが必要です。ログイン