Conectando Islas de Datos: Aprendizaje Federado Consciente de la Heterogeneidad Geográfica para la Segmentación Semántica de Teledetección Colaborativa

La segmentación semántica de teledetección (RSS) es una tarea esencial en las misiones de Observación de la Tierra. Debido a preocupaciones sobre la privacidad de los datos, las imágenes de teledetección de alta calidad con anotaciones no pueden compartirse bien entre instituciones, lo que dificulta la utilización completa de los datos RSS para entrenar un modelo generalizado. El Aprendizaje Federado (FL), una tecnología de aprendizaje colaborativo que preserva la privacidad, es una solución potencial. Sin embargo, la investigación actual sobre cómo aplicar efectivamente FL en RSS sigue siendo escasa y requiere una mayor investigación. Las imágenes de teledetección en varias instituciones a menudo presentan una fuerte heterogeneidad geográfica. Más específicamente, se manifiesta en términos de heterogeneidad en la distribución de clases y heterogeneidad en la apariencia de objetos. Desafortunadamente, la mayoría de los estudios existentes sobre FL muestran un enfoque inadecuado en la heterogeneidad geográfica, lo que lleva a una degradación del rendimiento en el modelo global. Considerando los problemas mencionados, proponemos un nuevo marco de Aprendizaje Federado Consciente de la Heterogeneidad Geográfica (GeoFed) para abordar la teledetección que preserva la privacidad. A través de módulos de Extensión de Características Globales y Regeneración de Colas, se alivia la heterogeneidad en la distribución de clases. Además, diseñamos una estrategia de Minería de Características Esenciales para aliviar la heterogeneidad en la apariencia de objetos mediante la construcción de características esenciales. Experimentos extensivos en tres conjuntos de datos (es decir, FBP, CASID, Inria) muestran que nuestro GeoFed supera consistentemente los métodos actuales de última generación. El código estará disponible públicamente.