Benchmarking NVFlare Federated Algorithms in Decentralized Parking Space Detection and Classification Framework
Notice bibliographique
Résumé
Most existing image-based parking space detection and classification methods assume that all training data reside in a single, centralized location—an unrealistic scenario that yields models unable to generalize to new parking lots. Furthermore, privacy concerns prevent lot owners from sharing raw images, limiting collaboration. To overcome these challenges, we present ParkFL, the first federated learning framework for parking space detection and classification that trains models across distributed client sites without exchanging raw image data. Built on NVFlare, ParkFL demonstrates model-agnosticism through evaluation on two deep-learning architectures. We benchmark four federated algorithms—FedAvg, FedProx, FedOpt, and SCAFFOLD—using real-world datasets. Despite training on non-centralized, heterogeneous data, ParkFL achieves 99.5% mAP, matching the accuracy of state-of-the-art centralized models on the same parking lots. When evaluated on images from different parking lots, ParkFL significantly outperforms models trained solely on individual-site data, which achieve 25.6% mAP, even though ParkFL never accesses raw images from other sites. Communication overhead remains below 3% of total training time, demonstrating a scalable, privacy-preserving solution with nearly state-of-the-art performance. We release ParkFL code at https://github.com/ahmedmbakr/ParkFL.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».