聯邦學習(FL)是一種分佈式學習可以學習全域模型，來自邊緣設備上的分散資料集。
然而，在在電腦視覺(CV)領域，聯邦學習(FL)中的模型性能很差。
聯邦學習(FL)在先進的電腦視覺(CV)上很少應用於目標檢測和圖像分割等工作。

FedCV

FedCV是促進FL的發展電腦視覺(CV)的一個聯合學習(FL)函式庫框架：

• 圖像分類
• 圖像分割
• 物體檢測

FedCV提供非I.I.D.測試資料集、模型和各種聯邦學習(FL)演算法。
集中式訓練技巧不能直接應用於聯邦學習(FL)；非I.I.D.資料集實際上在一定程度上降低了模型的準確性，提高聯邦系統效率依賴於大量超參數，以及每個客戶端的記憶體成本。

聯邦學習(FL)有可能處理許多集中訓練無法實現的視覺(CV)應用，例如：隱私問題、資料傳輸和機敏性資料處理。
本質上，聯邦學習(FL)需要解決許多優化目標之間的平衡，以提高模型準確性、通訊、運算效率和隱私性。

聯邦學習(FL)演算法

1. 聯邦學習(FL)專注於小資料集的分佈式優化方法及圖像分類的模型訓練，而電腦視覺(CV)的側重於大規模監督式的預訓練、CNN或Transformer模型。
2. 電腦視覺(CV)模型訓練通常需要大規模分佈式運算，目前聯邦學習(FL)演算法大多以獨立的形式發布。
3. 聯邦學習(FL)演算法在各種電腦視覺(CV)工作界線仍然很模糊。

嘗試通過演算法來解決現實電腦視覺(CV)中的問題的挑戰很高，目前缺乏這樣的函式庫，將各種電腦視覺(CV)與演算法整合，迫切需要整合演算法和電腦視覺(CV)的應用研究。

目前認為電腦視覺(CV)的最佳解決方案是，SOTA模型的預訓練學習方法，要求高效且具有pre-tra的有效模型。