-
公开(公告)号：CN113627333B
公开(公告)日：2025-01-28
申请号：CN202110915161.3
申请日：2021-08-10
Applicant: 宜宾电子科技大学研究院
IPC: G06V20/59 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于个性化联邦学习的分心驾驶行为识别方法，首先各车辆节点在车辆行驶时采集图像数据；之后使用个性化联邦学习共同训练一个卷积神经网络模型；最后，各节点使用该模型识别分心驾驶行为。在驾驶行为识别场景中，本发明使用基于边缘计算的去中心化方式实现模型的训练与推理，相较现有的中心化训练与推理方式具有保护用户隐私、实时性好、升级方便等优点。提出的个性化联邦学习算法相较于传统的联邦学习算法能够使所训练的模型更好的适配各节点的数据。
-
公开(公告)号：CN113627332B
公开(公告)日：2025-01-28
申请号：CN202110915158.1
申请日：2021-08-10
Applicant: 宜宾电子科技大学研究院
IPC: G06V20/59 , G06V10/774 , G06V10/764 , G06V10/25 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于梯度控制联邦学习的分心驾驶行为识别方法，首先各车辆节点在车辆行驶时采集图像数据；之后使用梯度控制联邦学习共同训练一个卷积神经网络模型；最后，各节点使用该模型识别分心驾驶行为。在驾驶行为识别场景中，本发明使用基于边缘计算的去中心化方式实现模型的训练与推理，相较现有的中心化训练与推理方式具有保护用户隐私、实时性好、升级方便等优点。提出的梯度控制联邦学习算法相较于传统的联邦学习算法能够有效提高模型的收敛速度，且不增加任何计算开销。
-
公开(公告)号：CN113627333A
公开(公告)日：2021-11-09
申请号：CN202110915161.3
申请日：2021-08-10
Applicant: 宜宾电子科技大学研究院
Abstract: 本发明公开了一种基于个性化联邦学习的分心驾驶行为识别方法，首先各车辆节点在车辆行驶时采集图像数据；之后使用个性化联邦学习共同训练一个卷积神经网络模型；最后，各节点使用该模型识别分心驾驶行为。在驾驶行为识别场景中，本发明使用基于边缘计算的去中心化方式实现模型的训练与推理，相较现有的中心化训练与推理方式具有保护用户隐私、实时性好、升级方便等优点。提出的个性化联邦学习算法相较于传统的联邦学习算法能够使所训练的模型更好的适配各节点的数据。
-
公开(公告)号：CN113627332A
公开(公告)日：2021-11-09
申请号：CN202110915158.1
申请日：2021-08-10
Applicant: 宜宾电子科技大学研究院
Abstract: 本发明公开了一种基于梯度控制联邦学习的分心驾驶行为识别方法，首先各车辆节点在车辆行驶时采集图像数据；之后使用梯度控制联邦学习共同训练一个卷积神经网络模型；最后，各节点使用该模型识别分心驾驶行为。在驾驶行为识别场景中，本发明使用基于边缘计算的去中心化方式实现模型的训练与推理，相较现有的中心化训练与推理方式具有保护用户隐私、实时性好、升级方便等优点。提出的梯度控制联邦学习算法相较于传统的联邦学习算法能够有效提高模型的收敛速度，且不增加任何计算开销。
-
-
-
Search Results
4
records
(took 0.028 seconds)
