摘要

1. 目標(biāo)檢測(cè)是在圖像中識(shí)別物體的任務(wù)，它在許多領(lǐng)域（如監(jiān)控、機(jī)器人技術(shù)、自動(dòng)駕駛車輛等）中被視為關(guān)鍵任務(wù)。由于環(huán)境因素、背景復(fù)雜性和光照條件的影響，室內(nèi)和室外物體的檢測(cè)面臨諸多挑戰(zhàn)。此外，聯(lián)邦學(xué)習(xí)（Federated Learning, FL）允許使用來自多個(gè)設(shè)備（如傳感器和攝像頭）的圖像來訓(xùn)練模型，而無需共享圖像，從而確保了隱私性。因此，提出了一種名為“You Only Look Once-Dual-Path Network v8”（YOLO-DPNetv8）的新技術(shù)，用于在聯(lián)邦學(xué)習(xí)環(huán)境中檢測(cè)室內(nèi)和室外物體。在聯(lián)邦學(xué)習(xí)中，物體檢測(cè)過程由節(jié)點(diǎn)和服務(wù)器兩個(gè)實(shí)體完成。在本地訓(xùn)練模型中，輸入的室內(nèi)和室外圖像首先通過注意力引導(dǎo)的卷積神經(jīng)網(wǎng)絡(luò)（Attention-guided Convolutional Neural Network, ADNet）進(jìn)行預(yù)處理，然后使用YOLO-DPNetv8進(jìn)行物體檢測(cè)，最后通過邊緣提取網(wǎng)絡(luò)（Edge extraction network）進(jìn)行深度估計(jì)。YOLO-DPNetv8結(jié)合了You Only Look Once v8（YOLOv8）和Dual-Path Network（DPNet）的優(yōu)點(diǎn)。實(shí)驗(yàn)結(jié)果表明，YOLO-DPNetv8的最大平均精度（Mean Average Precision, MAP）為93.656%，召回率（Recall）為95.432%，交并比（Intersection Over Union, IoU）為0.948%，精確度（Precision）為94.876%；最小均方根誤差（Root Mean Squared Error, RMSE）為0.370，均方誤差（Mean Squared Error, MSE）為0.137。

引言

1. 目標(biāo)檢測(cè)是利用特定算法在圖像中標(biāo)記和查找感興趣的物體（如車輛、船舶、飛機(jī)、道路和建筑物）[1]。其主要目的是區(qū)分前景物體和背景物體[8]。目標(biāo)檢測(cè)在視頻或圖像中物體的定位和識(shí)別中也起著重要作用，對(duì)機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺任務(wù)有重要貢獻(xiàn)[10,17,18]。近年來，目標(biāo)檢測(cè)被應(yīng)用于不同領(lǐng)域，用于分析和理解關(guān)鍵場(chǎng)景中的物體動(dòng)態(tài)[8]。它的應(yīng)用包括交通監(jiān)控、汽車安全、廢棄物體檢測(cè)、增強(qiáng)現(xiàn)實(shí)、追蹤可疑活動(dòng)、入侵者檢測(cè)以及安全用途[8,2]。此外，目標(biāo)檢測(cè)還廣泛應(yīng)用于工業(yè)檢測(cè)、醫(yī)學(xué)圖像分析、智能視頻監(jiān)控、圖像和視頻檢索、自動(dòng)駕駛車輛等領(lǐng)域[12]。在制造業(yè)中，它也被用于檢測(cè)不確定性和有缺陷的裝配部件[15]。
1. 在計(jì)算機(jī)視覺領(lǐng)域，目標(biāo)檢測(cè)過程中會(huì)涉及到各種基本的視覺識(shí)別問題，如語(yǔ)義分割（Semantic Segmentation）、實(shí)例分割（Instance Segmentation）和圖像分類（Image Classification）。語(yǔ)義分割用于為圖像分類中的像素級(jí)分類器分配特定類別標(biāo)簽，從而快速理解圖像并幫助檢測(cè)每個(gè)像素處的物體[9]。一般來說，目標(biāo)檢測(cè)包括兩個(gè)操作：物體分類（Object Classification）和物體定位（Object Localization）。物體定位有助于確定圖像中物體的確切位置，而物體分類用于識(shí)別物體所屬的準(zhǔn)確類別[14]。過去幾十年里，自動(dòng)物體識(shí)別和檢測(cè)技術(shù)取得了持續(xù)改進(jìn)，已成為研究人員的熱門研究方向[5]。盡管從圖像中識(shí)別和檢測(cè)物體非常重要，但這在機(jī)器學(xué)習(xí)中仍是一項(xiàng)具有挑戰(zhàn)性的任務(wù)[11]。
1. 如今，由于自動(dòng)特征提取（Automatic Feature Extraction）的技術(shù)發(fā)展，深度學(xué)習(xí)方法常被用于精確的目標(biāo)檢測(cè)[21,22,16]。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）是一種廣泛用于目標(biāo)檢測(cè)的深度學(xué)習(xí)方法[1,4]。You Only Look Once（YOLO）也被用于從邊界框（Bounding Boxes）和多個(gè)群體中檢測(cè)物體[17,18]。同時(shí)，聯(lián)邦學(xué)習(xí)（Federated Learning, FL）這種分布式機(jī)器學(xué)習(xí)范式被用于訓(xùn)練本地模型，以確保數(shù)據(jù)的安全性和隱私性[13,19,20]。隨著聯(lián)邦學(xué)習(xí)在基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)中的應(yīng)用越來越廣泛，其受歡迎程度也在增加[23]。然而，由于光照偏差、姿勢(shì)、尺度變化、視角變化和遮擋等因素，目標(biāo)檢測(cè)中的定位變得更加困難[12]。
1. 本研究旨在建立一種高效的YOLO-DPNetv8策略，用于檢測(cè)室內(nèi)和室外物體。該工作的主要貢獻(xiàn)包括：
1. •
   本研究實(shí)現(xiàn)了專為聯(lián)邦學(xué)習(xí)環(huán)境開發(fā)的新型目標(biāo)檢測(cè)模型YOLO-DPNetv8，該模型能夠準(zhǔn)確檢測(cè)室內(nèi)和室外物體。
2. •
   YOLO-DPNetv8通過基于諧波分析的回歸方法將YOLOv8與DPNet融合而成。
3. •
   訓(xùn)練采用標(biāo)準(zhǔn)的分散式平均（Federated Averaging, FedAvg）聚合算法進(jìn)行。
本文的其余部分安排如下：第2節(jié)回顧了傳統(tǒng)方法中的文獻(xiàn)和挑戰(zhàn)，第3節(jié)描述了提出的YOLO-DPNetv8模型，第4節(jié)展示了YOLO-DPNetv8的實(shí)驗(yàn)結(jié)果，第5節(jié)總結(jié)了研究結(jié)論。

文獻(xiàn)綜述

Wang等人[1]實(shí)現(xiàn)了一種單次檢測(cè)多框檢測(cè)器（Single Shot multibox Detector, SSD），用于室內(nèi)和室外物體檢測(cè)。該模型具有較高的魯棒性，并通過使用最少的參數(shù)顯著提高了檢測(cè)速度。然而，這種方法未能優(yōu)化復(fù)雜場(chǎng)景中的物體檢測(cè)算法，也無法從大型光學(xué)數(shù)據(jù)庫(kù)中成功檢測(cè)物體。

用于室內(nèi)和室外物體檢測(cè)的聯(lián)邦學(xué)習(xí)模型

圖1所示的聯(lián)邦學(xué)習(xí)模擬框架展示了多個(gè)本地節(jié)點(diǎn)之間的協(xié)作訓(xùn)練過程，無需共享原始數(shù)據(jù)。每個(gè)本地節(jié)點(diǎn)使用YOLO-DPNetv8（結(jié)合了[25]和DPNet[26]的混合模型）來檢測(cè)室內(nèi)和室外物體。每個(gè)節(jié)點(diǎn)接收室內(nèi)和室外圖像作為輸入，并根據(jù)其數(shù)據(jù)集進(jìn)行本地訓(xùn)練，同時(shí)保護(hù)數(shù)據(jù)隱私。該架構(gòu)包括三個(gè)本地節(jié)點(diǎn)...

結(jié)果與討論

本節(jié)描述了使用YOLO-DPNetv8進(jìn)行物體檢測(cè)的實(shí)驗(yàn)結(jié)果，并討論了評(píng)估YOLO-DPNetv8效率的相關(guān)內(nèi)容。

結(jié)論

目標(biāo)檢測(cè)涉及檢測(cè)多個(gè)物體的存在，通過為其分配標(biāo)簽并指定位置來實(shí)現(xiàn)。傳統(tǒng)方法在物體檢測(cè)方面存在許多挑戰(zhàn)，如高錯(cuò)誤率和性能不佳。因此，提出了一種名為YOLO-DPNetv8的新技術(shù)，用于在聯(lián)邦學(xué)習(xí)環(huán)境中檢測(cè)室內(nèi)和室外物體。在聯(lián)邦學(xué)習(xí)中，物體檢測(cè)過程由節(jié)點(diǎn)和服務(wù)器等實(shí)體完成。每個(gè)節(jié)點(diǎn)進(jìn)行本地訓(xùn)練...

代碼可用性聲明

本研究的源代碼可在以下鏈接公開獲�。�https://github.com/PirDino2020/FederatedLearning-RobustObjectDetection.git

作者聲明

Pir Dino Soomro參與了概念構(gòu)思、模型開發(fā)、實(shí)現(xiàn)和手稿撰寫。Xianping Fu和Arsalan Ali協(xié)助了模型設(shè)計(jì)和數(shù)據(jù)分析。Santosh Kumar Banbhrani負(fù)責(zé)數(shù)據(jù)集準(zhǔn)備和實(shí)驗(yàn)評(píng)估。Muhammad Asad參與了聯(lián)邦學(xué)習(xí)框架的構(gòu)建和手稿修訂。所有作者均審閱并批準(zhǔn)了最終版本的手稿。作者聲明不存在利益沖突，本研究為原創(chuàng)成果。