一种面向智能交通中边缘端图像识别的分布式学习方法技术

本发明专利技术公开了一面向智能交通中边缘端图像识别的分布式学习方法，包括如下步骤：步骤1：服务器选择智能交通应用场景下的分布式学习任务和深度学习模型：步骤2：服务器进行模型预处理：步骤3：服务器开始第t轮分布式模型训练过程，步骤5：服务器基于边缘设备选择策略，步骤6：根据已有训练中的信息反馈，边缘端计算自身效用值δ

【技术实现步骤摘要】
一种面向智能交通中边缘端图像识别的分布式学习方法


[0001]本专利技术属于人工智能
，尤其涉及一种面向智能交通中边缘端图像识别的分布式学习方法。

技术介绍

[0002]交通运输系统是一个国家经济发展的基础。通信和网络技术的快速发展，如移动边缘计算、5G网络，极大地提高了运输系统收集必要信息和系统内各部件相互连接的能力。为充分实现交通系统潜力，诸如机器学习智能分析技术被应用到交通运输系统中。连接交通运输系统和机器学习的领域是智能交通系统(Intelligent Transport System，ITS)。通过将智能技术综合运用于交通运输的领域，形成高效节能的交通系统。
[0003]在智能交通系统中，图像识别技术得到广泛应用，用以识别交通繁忙程度，检测碰撞，行人和自行车。为维持服务质量，ITS会使用路侧单元，路侧单元放置在道路两侧，具有采集图像数据的传感器和处理能力。图像处理是交通系统的一个关键功能。
[0004]智能交通系统中的图像识别应用面临着一系列独特的挑战。与集中式控制集群不同，它包括大量边缘端参与设备，其在计算能力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向智能交通中边缘端图像识别的分布式学习方法，其特征在于，包括以下步骤：步骤1：服务器选择智能交通应用场景下的分布式学习任务和深度学习模型；步骤2：服务器进行模型预处理，划分给参与的边缘端；步骤3：服务器开始第t(t＝1，2...，E)轮分布式模型训练过程，t的初始值为1：步骤4：参与学习的边缘设备进行log(K)轮本地分布式模型训练：步骤5：服务器基于边缘设备选择策略，决定是否在当前轮次重新选择参与分布式学习的边缘设备，采取根据使用基于数据集属性和动态环境而设置固定的选择频率p，即：每隔p轮次，重新选择一次边缘设备；当不重新选择边缘端，则重复执行步骤3至步骤4；当重新选择边缘端则执行步骤6；步骤6：根据已有训练中的信息反馈，边缘端计算自身效用值δ
k
，发送至服务器；步骤7：重复步骤3至步骤8，直到模型参数收敛。2.根据权利要求1所述的一种面向智能交通中边缘端图像识别的分布式学习方法，其特征在于，所述步骤1包括以下步骤：步骤1.1：服务器初始化分布式学习模型，得到初始全局计算图G和初始模型参数w1；步骤1.2：服务器设置训练配置，包括边缘端数量N、训练轮数E、计算图节点分组参数L的参数，及分布式学习过程中使用的学习速率的超参数。3.根据权利要求1所述的一种面向智能交通中边缘端图像识别的分布式学习方法，其特征在于，所述步骤2包括以下步骤：步骤2.1：应用常量折叠、计算融合的技术，服务器优化深度模型计算图结构；步骤2.2：服务器根据计算图中各个节点所属的层数，将每L层节点划分为一个子图，层数的定义为在计算图中的根节点为第零层，所有根节点的子节点为第一层，依此类推，L的值根据不同的模型大小由服务器调整，参数设定为L＝2。4.根据权利要求1所述的一种面向智能交通中边缘端图像识别的分布式学习方法，其特征在于，所述步骤3包括以下步骤：步骤3.1：每个智能设备包括效用值这一数值属性，服务器从所有...

【专利技术属性】
技术研发人员：赵健鑫，刘驰，常欣煜，冯雁浩，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：