本技术设计了一个面向类别异构语义分割的联邦学习方法FedSeg，旨在解决联邦学习中因数据非独立同分布（Non-IID）导致的各客户端前景-背景类别不一致及优化方向发散问题。该方法首先提出了一种简单的修正交叉熵损失函数，通过聚合背景类别的预测概率来校正本地优化的漂移；在此基础上，引入了从本地到全局的像素级对比学习策略，强制本地像素嵌入在特征空间中靠近全局语义空间的对应类别，从而构建一致且紧凑的全局特征表示。此外，该技术在Cityscapes、CamVID、PascalVOC和ADE20k四个语义分割基准上进行了广泛实验，证明了该算法能有效缓解客户端漂移问题，在提升分割质量的同时显著优于FedAvg、FedProx等现有最先进方法的性能。