课题组在工业互联网场景下实现半监督目标检测方法中取得了相关进展，相关研究成果以题为“Toward Industrial Densely Packed Object Detection: A Federated Semi-supervised Learning Approach”的论文于2024年8月正式发表在中科院一区Top期刊《IEEE Internet of Things Journal》（IF=8.2）。

基于深度学习的目标检测技术在缺陷检测等各种工业应用中起着举足轻重的作用。随着行业日益认识到保护敏感数据的重要性，基于联邦学习进行分布式协同训练的方法逐渐引起业界的关注。然而，现有的联邦学习解决方案在工业应用中存在缺乏可用数据标签的问题，在密集检测目标的情况下尤为明显。现有方法面临的挑战如图所示。

针对工业互联网目标检测中缺乏可用数据标签和数据隐私保护两类难点，本文研究联邦半监督学习框架（FSSLOD），该框架基于联邦学习方法来保障原始数据不出本地，使用教师-学生网络实现本地半监督学习，并设计一致性损失函数来使教师网络的输出与学生网络的输出保持对齐，以提升模型检测性能。同时，针对分布式环境下数据非独立同分布问题提出弹性更新机制，通过计算客户端模型参数所含信息量来为不同客户端分配权重，以此缓解数据分布差异带来的模型性能下降问题。

论文信息

Chen Zhao, Zhipeng Gao, Shudi Bao, Kaile Xiao. Toward Industrial Densely Packed Object Detection: A Federated Semi-supervised Learning Approach[J]. IEEE Internet of Things Journal, 2024. DOI: 10.1109/JIOT.2024.3443112

(https://ieeexplore.ieee.org/document/10634893)

编辑 | 孟思彤

一审 | 骆叶蕴

二审 | 汪兴上

终审 | 李青合