1.自动驾驶感知场景下基于推理相似性的联邦学习方法,其特征在于,包括如下步骤:
步骤1,获取交通标志数据集,将交通标志数据集中的图片统一为相同大小,从交通标志数据集中为每一辆车分配其私有数据集;
步骤2,将所有车辆置于自动驾驶感知场景下,每个车辆对应一个本地模型,利用每一辆车对应的私有数据集对车辆的本地模型进行训练,得到模型参数以及模型输出层参数;
步骤3,将模型输出层参数传输至与模型输出层参数对应车辆最接近的路侧单元中;
步骤4,每个路侧单元对其自身接收到的模型输出层参数进行推理相似度计算,并进行推理相似度聚类,对归为同一类的模型输出层参数进行加权聚合,得到全局模型参数;
步骤5,将每一类加权聚合后得到的全局模型参数发送至每一类对应的车辆本地模型,利用全局模型参数以及车辆对应的私有数据集对车辆的本地模型进行下一轮的训练,直至达到预设的迭代轮数后,输出训练好的本地模型。
2.根据权利要求1所述的自动驾驶感知场景下基于推理相似性的联邦学习方法,其特征在于,所述步骤2中,每个车辆对应一个卷积神经网络模型LeNet5,利用每个车辆对应的私有数据集对每个车辆对应的LeNet5进行训练,得到模型参数;LeNet5包括依次相连的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第一全连接层、第二全连接层以及高斯连接层,将第二全连接层作为模型输出层。
3.根据权利要求1所述的自动驾驶感知场景下基于推理相似性的联邦学习方法,其特征在于,所述本地模型在训练时,通过寻找最小化经验风险损失得到模型参数,经验风险损失是本地训练数据的经验风险和一个正则项经验风险的总和,具体为:为加权聚合的权重,表示车辆i对应的本地模型的输出层参数;
在第t+1轮训练时,若有新的车辆l加入,通过以下公式判断新加入车辆的所属类: