Los métodos existentes de clasificación de escenas de teledetección federada suelen asumir una arquitectura de red cliente fija, ignorando la significativa heterogeneidad en la capacidad computacional, almacenamiento y suministro de energía de dispositivos como satélites y drones, lo que dificulta la adaptación y el despliegue de modelos en terminales con recursos limitados, limitando la eficiencia práctica del sistema federado. En vista de ello, para explorar un método colaborativo que soporte la evolución autónoma de las arquitecturas de redes neuronales en el marco federado, este artículo propone un método de búsqueda de arquitectura neuronal basado en un muestreo colaborativo de rutas y datos. Este método adopta el paradigma de entrenamiento de arquitecturas neuronales "entrenar una vez, usar muchas veces", logrando una adaptación personalizada de los clientes mediante un mecanismo colaborativo de muestreo bidimensional de rutas y datos. En la fase de entrenamiento colaborativo de la superred, cada cliente selecciona dinámicamente subredes clave mediante un muestreo de rutas guiado por la norma del gradiente, mientras que el muestreo de datos basado en el límite superior del gradiente se enfoca en muestras de alto valor, reduciendo significativamente los costos de entrenamiento y comunicación de la superred; en la fase de implementación multifacética de subredes, se usa un algoritmo evolutivo para buscar la arquitectura de red personalizada con mejor precisión basada en datos locales y validada. Además, los resultados experimentales en cuatro conjuntos de datos heterogéneos de referencia para la clasificación de escenas de teledetección demuestran que este método supera significativamente a las arquitecturas fijas y métodos de poda convencionales bajo condiciones de distribución de datos no independiente e idéntica, pudiendo evolucionar colaborativamente arquitecturas de red exclusivas, ligeras y de alto rendimiento para clientes heterogéneos protegiendo la privacidad de datos, mejorando efectivamente la factibilidad de despliegue y el rendimiento general del sistema de teledetección federado.

Aprendizaje federado;Clasificación de escenas de teledetección;Búsqueda de arquitectura de redes neuronales, computación evolutiva, aprendizaje colaborativo y optimización