SDANet: A Federated Efficient Remote Sensing Object Detection for Space-Air–Ground IoT
Notice bibliographique
Résumé
The explosive growth of remote-sensing images generated by emerging space–air–ground integrated IoT networks makes centralized detector training infeasible due to limited bandwidth and strict data privacy constraints. While lightweight single-stage object detectors offer efficiency, they suffer significant accuracy degradation for small, dense, and arbitrarily oriented targets. Furthermore, existing federated object detection frameworks typically neglect client heterogeneity. To overcome these limitations, we propose a two-stage personalized federated detection framework. In Stage 1, we independently train a conventional single-stage rotated object detector on each client and aggregate model updates using an adaptive similarity momentum aggregation (ASMA) strategy, effectively pooling knowledge across non-IID client datasets to improve global generalization. In Stage 2, each client is equipped with a private selective depthwise attention convolution (SDAConv) module, leveraging Stage-1 priors to reconstruct fine-grained, client-specific features without additional communication overhead, thus tailoring predictions to local data distributions. Experiments conducted on five non-IID splits derived from DOTA-1.0, along with DIOR and VisDrone datasets, demonstrate improvements of up to +3.5 mAP compared to federated learning baselines under the same communication budget, simultaneously maintaining global robustness and enhancing local detection accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».