基于软阈值降噪的对比联邦学习交通路标识别方法和系统技术方案

本发明专利技术公开一种基于软阈值降噪的对比联邦学习交通路标识别方法和系统，方法包括以下步骤：S1：将训练好的全局图像识别降噪网络模型的模型参数传输至客户端，并在客户端构建本地图像识别降噪网络模型；S2：在客户端获取待识别的交通路标图片，基于本地图像识别降噪网络模型识别交通路标图片；S01：在服务端构建初始全局图像识别降噪网络模型，将初始全局图像识别降噪网络模型的全局模型参数发送至全部客户端；S02：在各个客户端搭建客户端本地图像识别降噪网络模型，并对本地图像识别降噪网络模型进行训练；S03：构建新的全局图像识别降噪网络模型；步骤S04：获取新的全局图像识别降噪网络模型的全局模型参数并发送至客户端，重复步骤S02

【技术实现步骤摘要】
基于软阈值降噪的对比联邦学习交通路标识别方法和系统


[0001]本专利技术涉及计算机领域，具体为基于软阈值降噪的对比联邦学习交通路标识别方法和系统。

技术介绍

[0002]伴随着社会的进步，交通运输技术与通信技术二者以其信息物质交流方式的高速性，在近些年获得高速发展，极大地改善了人民群众的生活质量。智慧交通也在这个阶段应运而生。有了人工智能和大数据的驱动，车联网无论是实时响应，还是应急判断的准确率和安全性都得到了大大提升。
[0003]但是一方面由于运输车辆膨胀式增长，造成多地交通事故频繁发生，对人民群众的生活造成了一些安全问题，另一方面网络安全问题同样对人们隐私安全造成困扰。为解决上述问题，避免驾驶员在驾驶中因疏忽而造成交通安全问题，许多企业在车联网领域做了一系列改进，例如红外线探测，超声波探测和计算机视觉探测。通过事先对外部环境进行判断并及时给司机以正确提示可以极大地降低交通事故。针对交通标志的识别正是智慧交通中的热门研究领域。常见的检测方法深度学习在处理这种图像识别问题方面有着突出的优势。
[0004]然而，数据在网络中的传输会带来隐私泄露的风险，数据安全法规的相继出台也引导用户和企业更加重视数据隐私保护。那么，通过新兴技术限制数据在客户端和服务端的直接交互是势在必行的。相比较于传统的基于中心化的训练模型，2016年Google推出的联邦学习，通过限制中央服务器与本地客户端的数据直接交互，打破了数据孤岛的同时保护了用户的隐私安全。联邦学习中本地客户端和服务端之间的信息交流仅仅局限于模型参数和梯度更新参数等，而不需要数据所有者之间共享他们的原始数据。同时联邦学习因其独特的结构设计，可以完全的利用联邦网络内不同客户端的计算能力。因此，将联邦学习应用在车载终端上，辅助车联网进行更高效的信息交换是具备可行性的。
[0005]但是多设备端的涌入，会给整个车联网络带来数据异构性问题。针对这一问题，联邦学习在发展过程中依靠个性化的策略不断地优化和改善最终模型的性能。但是统计异构性并不能囊括车联网中多设备端之间数据样本的另一个问题，那就是含噪数据。以交通路标数据集为例，交通路标识别是智慧交通中很普遍的应用方向。而受制于外部因素影响，实际的交通路标数据样本往往是不规整的，或者说它转变成信号时是含噪声的。这会对模型的性能和可拓展性造成很大的影响。

技术实现思路

[0006]本专利技术的目的是针对现有技术存在的问题，提供一种基于软阈值降噪的对比联邦学习交通路标识别方法和系统，用以解决上述技术问题中的至少一种。
[0007]基于本专利技术说明书的一方面，提供一种基于软阈值降噪的对比联邦学习交通路标识别方法，包括以下步骤：
[0008]S1：将训练好的全局图像识别降噪网络模型的模型参数传输至客户端，并在客户端根据所述模型参数构建本地图像识别降噪网络模型；所述全局图像识别降噪网络模型以残差网络为模型架构，内嵌有降噪神经网络；
[0009]S2：在客户端获取待识别的交通路标图片，将待识别的交通路标图片输入至本地图像识别降噪网络模型中，得到模型输出的交通路标识别结果；
[0010]所述全局图像识别降噪网络模型的训练过程包括：
[0011]步骤S01：初始化联邦学习框架，并在服务端构建初始全局图像识别降噪网络模型和交通路标识别测试集，将初始全局图像识别降噪网络模型的全局模型参数发送至全部客户端；
[0012]步骤S02：在各个客户端基于服务端发送的全局模型参数搭建客户端本地图像识别降噪网络模型，并基于客户端获取的历史交通路标图片构建训练集；在各个客户端基于训练集对客户端本地图像识别降噪网络模型进行训练，得到训练好的本地图像识别降噪网络模型，并将训练好的客户端本地图像识别降噪网络模型的本地模型参数传输至服务端；
[0013]步骤S03：在服务端基于各个客户端传输的本地模型参数更新全局图像识别降噪网络模型，并基于交通路标识别测试集测试更新后的全局图像识别降噪网络模型的预测精度，判断预测精度是否满足全局模型精度阈值，若是，则训练结束，若否，则进入步骤S04；
[0014]步骤S04：获取步骤S03更新后的全局图像识别降噪网络模型的全局模型参数并发送至客户端，重复步骤S02
‑
S03，直至全局图像识别降噪网络模型的预测精度满足全局模型精度阈值要求，得到训练好的全局图像识别降噪网络模型。
[0015]在上述技术方案中，通过联邦学习框架实现在多个客户端基于客户端的历史交通路标图片对图像识别降噪网络模型进行训练，解决了各个客户端数据的异构性问题。
[0016]上述技术方案中的图像识别降噪网络模型以残差网络为模型架构，降低了计算复杂度，提升模型训练和计算的速度。以残差网络来实现降噪神经网络，可以使得前后信息传播更加流畅，构建出深层次网络，更精准把握样本关键特征，提升模型性能。
[0017]图像识别降噪网络模型中嵌入了降噪神经网络，利用降噪神经网络实现对训练集和待识别交通路标图片的降噪，实现了在恶劣天气时识别模型对交通路标的准确识别。
[0018]进一步地，在所述步骤S02中，构建训练集的方法包括：
[0019]获取客户端存储的历史交通路标图片；
[0020]对历史交通路标图片标注路标类型标签，所述路标类型标签为路标类型的名称；
[0021]基于历史交通路标图片与对应的路标类型标签构建得到训练集。
[0022]进一步地，在所述步骤S01中，将构建得到的交通路标识别测试集传输至各客户端；
[0023]在步骤S02中，基于训练集对客户端本地图像识别降噪网络模型进行多次训练，并在每次训练后基于交通路标识别测试集检测模型的精度，当客户端本地图像识别降噪模型的精度达到本地模型精度阈值时停止对客户端本地图像识别降噪网络模型的训练。
[0024]进一步地，所述基于训练集对客户端本地图像识别降噪网络模型进行训练包括：
[0025]将训练集输入至客户端本地图像识别降噪网络模型中；
[0026]利用客户端本地图像识别降噪网络模型中的降噪神经网络对历史交通路标图片进行降噪处理，得到降噪后的历史交通路标图片；
[0027]对降噪后的历史交通路标图片进行识别，得到识别结果。
[0028]进一步地，所述对历史交通图片进行降噪处理包括：
[0029]利用自注意力提取历史交通路标图片的关键特征，并对提取到的关键特征进行全局平均池化操作；
[0030]在降噪神经网络中学习不同通道间的关联性；
[0031]将关联性输出结果归一化到0和1之间，得到尺度参数；
[0032]将尺度参数与关联性输出结果相乘得到自适应阈值；
[0033]利用自适应阈值对历史交通路标图片进行软阈值化降噪处理。
[0034]进一步地，所述尺度参数由以下公式计算得到：
[0035]θ＝sigmoid(F
fc2
(W2,F
fc1
(W1,β
c<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，包括以下步骤：S1：将训练好的全局图像识别降噪网络模型的模型参数传输至客户端，并在客户端根据所述模型参数构建本地图像识别降噪网络模型；所述全局图像识别降噪网络模型以残差网络为模型架构，内嵌有降噪神经网络；S2：在客户端获取待识别的交通路标图片，将待识别的交通路标图片输入至本地图像识别降噪网络模型中，得到模型输出的交通路标识别结果；所述全局图像识别降噪网络模型的训练过程包括：步骤S01：初始化联邦学习框架，并在服务端构建初始全局图像识别降噪网络模型和交通路标识别测试集，将初始全局图像识别降噪网络模型的全局模型参数发送至全部客户端；步骤S02：在各个客户端基于服务端发送的全局模型参数搭建客户端本地图像识别降噪网络模型，并基于客户端获取的历史交通路标图片构建训练集；在各个客户端基于训练集对客户端本地图像识别降噪网络模型进行训练，得到训练好的本地图像识别降噪网络模型，并将训练好的客户端本地图像识别降噪网络模型的本地模型参数传输至服务端；步骤S03：在服务端基于各个客户端传输的本地模型参数更新全局图像识别降噪网络模型，并基于交通路标识别测试集测试新的全局图像识别降噪网络模型的预测精度，判断预测精度是否满足全局模型精度阈值，若是，则训练结束，若否，则进入步骤S04；步骤S04：获取步骤S03更新后的全局图像识别降噪网络模型的全局模型参数并发送至客户端，重复步骤S02
‑
S03，直至全局图像识别降噪网络模型的预测精度满足全局模型精度阈值要求，得到训练好的全局图像识别降噪网络模型。2.根据权利要求1所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，在所述步骤S02中，构建训练集的方法包括：获取客户端存储的历史交通路标图片；对历史交通路标图片标注路标类型标签，所述路标类型标签为路标类型的名称；基于历史交通路标图片与对应的路标类型标签构建得到训练集。3.根据权利要求1所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，在所述步骤S01中，将构建得到的交通路标识别测试集传输至各客户端；在步骤S02中，基于训练集对客户端本地图像识别降噪网络模型进行多次训练，并在每次训练后基于交通路标识别测试集检测模型的精度，当客户端本地图像识别降噪模型的精度达到本地模型精度阈值时停止对客户端本地图像识别降噪网络模型的训练。4.根据权利要求3所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，所述基于训练集对客户端本地图像识别降噪网络模型进行训练包括：将训练集输入至客户端本地图像识别降噪网络模型中；利用客户端本地图像识别降噪网络模型中的降噪神经网络对历史交通路标图片进行降噪处理，得到降噪后的历史交通路标图片；对降噪后的历史交通路标图片进行识别，得到识别结果。5.根据权利要求4所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，所述对历史交通图片进行降噪处理包括以：利用自注意力提取历史交通路标图片的关键特征，并对提取到的关键特征进行全局平
均池化操作；在降噪神经网络中学习不同通道间的关联性；将关联性输出结果归一化到0和1之间，得到尺度参数；将尺度参数与关联性输出结果相乘得到自适应阈值；利用自适应阈值对历史交通路标图片进行软阈值化降噪处理。6.根据权利要求5所述的基于软阈值降噪的对比联邦学习交通路标识别方法，其特征在于，所述尺度参数由以下公式计算得到：θ＝sigmoid(F
fc2
(W2，F
fc1
(W1，β
...

【专利技术属性】
技术研发人员：王毅，瞿治国，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：