FedRME: Federated Road Markings Extraction from Mobile LiDAR Point Clouds
与直接使用交叉熵的传统U-Net模型不同,我们引入了一种新的焦损(Focal Loss, FLO)模块作为一种新的损失函数,使模型的训练更多地关注于需要大量训练时间的硬样本(如斑马线)。通过使用FLO模块,训练模型将提高这些硬样本的优先级,以优化整体模型的预测精度。为此,提出一种新的联邦道路标识提取系统FedRM E,从移动激光雷达三维点云中协同学习包含多个隐私保护局部模型的全局RME模型。在3个具有联邦学习设置的真实移动激光雷达点云数据集上的实验结果表明,FedRME在所有评价指标上都取得了优越的性能。
原创
2022-09-06 20:04:55 ·
36 阅读 ·
0 评论