ترجمه فارسی مقاله تقویت تشخیص شی با مجموعه داده های ترکیبی در محیط های تولید: مقایسه یادگیری فدرال با تکنیک های معمولی

چکیده

Federated Learning (FL) has garnered significant attention in manufacturing for its robust model development and privacy-preserving capabilities. This paper contributes to research focused on the robustness of FL models in object detection, hereby presenting a comparative study with conventional techniques using a hybrid dataset for small object detection. Our findings demonstrate the superior performance of FL over centralized training models and different deep learning techniques when tested on test data recorded in a different environment with a variety of object viewpoints, lighting conditions, cluttered backgrounds, etc. These results highlight the potential of FL in achieving robust global models that perform efficiently even in unseen environments. The study provides valuable insights for deploying resilient object detection models in manufacturing environments.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) به دلیل توسعه مدل قوی و قابلیت های حفظ حریم خصوصی ، توجه قابل توجهی را در تولید به خود جلب کرده است.این مقاله به تحقیقات متمرکز بر استحکام مدل های FL در تشخیص شیء کمک می کند ، بدین ترتیب یک مطالعه مقایسه ای با تکنیک های معمولی با استفاده از یک مجموعه داده ترکیبی برای تشخیص شیء کوچک ارائه می دهد.یافته های ما عملکرد برتر FL را نسبت به مدلهای آموزش متمرکز و تکنیک های مختلف یادگیری عمیق نشان می دهد که روی داده های آزمون ثبت شده در یک محیط متفاوت با انواع دیدگاه های شی ، شرایط روشنایی ، زمینه های درهم ریخته و غیره آزمایش می شود. این نتایج پتانسیل FL را برجسته می کنددستیابی به مدلهای جهانی قوی که حتی در محیط های غیب نیز کارآمد هستند.این مطالعه بینش ارزشمندی را برای استفاده از مدل های تشخیص شیء انعطاف پذیر در محیط های تولیدی ارائه می دهد.