本发明专利技术公开了一种基于联邦学习的云服务器交通图像识别方法，是应用于由若干个车辆与云端服务器所组成的车联网中，并包括：1交通图像识别模型预训练；2云端模型下发与车辆节点个性化训练；3车辆节点聚合模型上传云端；4云端重组织簇内车辆节点。本发明专利技术利用分布式深度学习技术来提高车联网场景中云端服务器的深度神经网络模型对交通图像识别的准确率，帮助车辆在不暴露自身数据的情况下能够利用自身采集到的交通图像数据参与到对云端的交通图像识别准确率的提升当中，并在训练过程中在数据非独立同分布的情况下提高自身的交通图像识别的准确率，使得不同车辆能在面对自己的道路交通环境时，能更好地针对自身环境中对交通图像识别的准确率。
【技术实现步骤摘要】
本专利技术属于车联网深度学习应用领域，具体涉及一种基于联邦学习的云服务器交通图像识别方法。
技术介绍
1、智能网联汽车和自动驾驶汽车等新兴智能交通技术在引入道路网络后对车联网场景下的深度学习技术带来了多重要求，以确保分布式智能交通系统的隐私性与效率，车联网中的各个车辆节点与智能云端的交互中，需要在保证自身数据隐私安全性的情况下利用自身数据参与到与智能云端交互的全局模型更新迭代中，例如，车联网中通过交通图像对车辆周边场景进行判断并规避潜在危险的一类深度学习神经网络模型需要借助每个车辆节点的视角对周围环境进行感知并促进自身的更新迭代使得交通图像识别功能不断提高，但这会暴露车辆自身的数据，比如位置、航向角等。并且由于硬件以及网络带宽的限制，部署于车联网中的智能云端无法同时管理所有车辆节点以及和所有车辆节点同时进行交通图像数据交互。这意味着智能云端同时与所有车辆节点进行交通图像共享的方法是低效率且不科学的，使得在车联网中设计一种通过分布式机器学习方法提高云服务器交通图像识别功能的准确率成为一项具有挑战性的工作。并且目前的方法没有将车联网场景的动态性考虑在内，并没有能够根据训练过程动态调整车辆簇内的拓扑结构。
2、现有的车联网分布式深度学习计算框架存在以下问题：
3、1.不能动态调整车辆簇内部的拓扑结构；
4、2.不能很好地在车联网数据异构场景下提高云服务器与各车辆交通图像识别功能的准确率；
5、3.不能根据车辆节点的数据异构性为车辆节点提高其本身交通图像识别功能的准确率。
技术实现思路
1、本专利技术是为了解决上述现有方法存在的不足之处，提出一种基于联邦学习的云服务器交通图像识别方法，以期能帮助车辆在不暴露自身数据的情况下，提高车联网场景中云端服务器对交通图像识别的准确率，使得不同车辆能在面对自己的道路交通环境时，提高符合自身数据异构性的交通图像识别功能。
2、本专利技术为达到上述专利技术目的，采用如下技术方案：
3、本专利技术一种基于联邦学习的云服务器交通图像识别方法的特点在于，是应用于由g辆车辆{v1,v2,…,vq,…,vg}与云端服务器所组成的车联网中，其中，vq为车联网中的第q辆车辆，令第q辆车辆vq采集nq个交通图像样本并构成交通图像数据集，其中，令第r个交通图像样本记为xq,r，xq,r的真实标签记为yq,r，所述云服务器交通图像识别方法是按如下步骤进行：
4、步骤一：令全局训练的总轮次记为t，令当前训练的轮次记为t，并初始化t＝0；
5、步骤二：令存储于云端服务器的第t轮全局交通图像识别模型为mt；云端服务器将mt发送给所有车辆，g个车辆利用自身的交通图像数据集对mt进行第t轮训练，得到第t轮训练后的交通图像识别模型并上传至云端服务器进行聚合，得到第t+1轮全局交通图像识别模型mt+1，并将t+1赋值给t；
6、步骤三：云端服务器将车辆分成x个簇c＝{c1,c2,…,ci,…,cx}，其中，ci表示车联网中的第i个车辆簇，设第i个车辆簇内的车辆数量为|ci|，|c|表示车辆簇的数量；云服务器任意地将|c|个簇内的车辆都排列为完全二叉树结构，并令此结构作为第i个车辆簇ci在第t轮的簇内拓扑结构为令第i个车辆簇ci在第t轮的拓扑结构中第j层的第k台车辆记为根据完全二叉树的排列结构，将第i个车辆簇ci中的第1层仅有的1个车辆节点作为第i个车辆簇ci的头节点；
7、令第i个车辆簇ci中头节点的前驱节点为云端服务器，令除头节点外，其他车辆节点的前驱节点为第i个车辆簇ci中第j-1层中与相连的车辆节点；
8、令云端服务器的后继节点为第i个车辆簇ci的头节点令第i个车辆簇ci中车辆节点的后继节点为第j+1层中与相连的车辆节点；
9、若第i个车辆簇ci中任意第j层第k台车辆节点无后继节点，则车辆节点为叶节点；
10、步骤四：云端服务器将第t轮的全局交通图像识别模型mt发给|c|个车辆簇，之后|c|个车辆簇在簇内进行自顶向下的模型下发与车辆节点的个性化训练，从而使得所有车辆得到自身在第t轮训练中的个性化交通图像识别模型，其中，任意第i个车辆簇中第j层的第k个车辆节点在第t轮训练中的个性化交通图像识别模型记为
11、步骤五：在第t轮训练中，|c|个车辆簇在簇内进行自底向上的模型聚合，并将簇内的模型聚合结果聚合到车辆簇的头结点中，其中，在第t轮训练中，任意第i个车辆簇ci将簇内的模型聚合结果聚合到第i个车辆簇ci的头结点中，i∈|c|；
12、步骤六：云端服务器对在第t轮训练中|c|个车辆簇的头节点的聚合结果进行聚合，得到第t+1轮全局交通图像识别模型mt+1，并将t+1赋值给t，若t≠t，则顺序执行步骤七，否则表示所有车辆得到自身的个性化交通图像识别模型，并用于对自身采集到的交通图像样本进行处理，得到交通图像样本的本地预测标签；同时，所有车辆将交通图像样本发送给云端服务器进行识别，获得当前场景下预测的交通图像标签；
13、步骤七：云端服务器根据第t-1轮中每个簇内所有车辆的模型更新对每个车辆簇构建最大堆，并将建堆结果作为第t轮中车辆簇的簇内拓扑结构返回步骤四顺序执行。
14、本专利技术所述的一种基于联邦学习的云服务器交通图像识别方法的特点也在于，所述步骤二包括：
15、步骤2.1：云端服务器将mt发送给所有车辆，任意第q辆车辆vq利用mt初始化自身的交通图像识别模型
16、步骤2.2：将xq,r输入初始化后的中进行处理，输出预测标签y'q,r；
17、步骤2.3：从而利用式(1)构建的损失函数lq，从而利用式(2)对进行梯度下降反向传播训练，得到第t轮训练后的交通图像识别模型
18、
19、
20、式(2)中，α为学习率；表示梯度；
21、步骤2.4：所有车辆将第t轮训练后的交通图像识别模型保存于本地并上传至云端服务器，云端服务器通过式(3)得到第t+1轮全局交通图像识别模型mt+1；
22、
23、所述步骤四包括：
24、步骤4.1：云端服务器利用式(4)计算出全局交通图像识别模型的第t-1轮模型参数差gt-1，并将存储在全局模型历史更新向量g＝{g1,g2,…,gt-1}中，从而通过式(5)计算第t轮全局模型平均更新方向
25、gt-1＝|mt-mt-1| (4)
26、
27、式(5)中，|g|表示g中元素的数量；gn表示第n轮模型更新；
28、步骤4.2：初始化i＝1；
29、步骤4.3：初始化j＝1；
30、步骤4.4：初始化k＝1，云端服务器将第t轮的全局模型mt与第t轮全局模型平均更新方向发给车辆节点
31、步骤4.5：车辆节点将第t轮的全局模型mt作为第t轮的交通图像识别模型车辆节点按照步骤2.2与步骤2.3的过程，利用自本文档来自技高网
...
【技术保护点】
1.一种基于联邦学习的云服务器交通图像识别方法，其特征在于，是应用于由g辆车辆{v1，v2，...，vq，...，vg}与云端服务器所组成的车联网中，其中，vq为车联网中的第q辆车辆，令第q辆车辆vq采集Nq个交通图像样本并构成交通图像数据集，其中，令第r个交通图像样本记为xq，r，xq，r的真实标签记为yq，r，所述云服务器交通图像识别方法是按如下步骤进行：
2.根据权利要求1所述的一种基于联邦学习的云服务器交通图像识别方法，其特征在于，所述步骤二包括：
3.根据权利要求1所述的一种基于联邦学习的云服务器交通图像识别方法，其特征在于，所述步骤四包括：
4.根据权利要求1所述的一种基于联邦学习的云服务器交通图像识别方法，其特征在于，所述步骤五包括：
5.根据权利要求1所述的一种基于联邦学习的云服务器交通图像识别方法，其特征在于，所述步骤六中的聚合包括：
6.根据权利要求1所述的一种基于联邦学习的云服务器交通图像识别方法，其特征在于，所述步骤七中云端服务器根据第t-1轮中每个簇内所有车辆的模型更新对每个车辆簇构建最大堆，并将建堆结果作为第t轮中车辆簇的簇内拓扑结构的过程包括：
7.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-6中任一所述云服务器交通图像识别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
8.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-6中任一所述云服务器交通图像识别方法的步骤。
...
【技术特征摘要】
1.一种基于联邦学习的云服务器交通图像识别方法，其特征在于，是应用于由g辆车辆{v1，v2，...，vq，...，vg}与云端服务器所组成的车联网中，其中，vq为车联网中的第q辆车辆，令第q辆车辆vq采集nq个交通图像样本并构成交通图像数据集，其中，令第r个交通图像样本记为xq，r，xq，r的真实标签记为yq，r，所述云服务器交通图像识别方法是按如下步骤进行：
2.根据权利要求1所述的一种基于联邦学习的云服务器交通图像识别方法，其特征在于，所述步骤二包括：
3.根据权利要求1所述的一种基于联邦学习的云服务器交通图像识别方法，其特征在于，所述步骤四包括：
4.根据权利要求1所述的一种基于联邦学习的云服务器交通图像识别方法，其特征在于，所述步骤五包括：
5.根据权...
【专利技术属性】
技术研发人员：胡东辉，翁秀年，顾辰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。