[發明專利]一種基于聯邦學習的分心駕駛識別方法在審
| 申請號： | 202010698360.9 | 申請日： | 2020-07-20 |
| 公開（公告）號： | CN111832503A | 公開（公告）日： | 2020-10-27 |
| 發明（設計）人： | 王耀杰;崔翛龍 | 申請（專利權）人： | 中國人民武裝警察部隊工程大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N20/00;G06F21/60 |
| 代理公司： | 西安眾和至成知識產權代理事務所(普通合伙) 61249 | 代理人： | 強宏超 |
| 地址： | 710086 *** | 國省代碼： | 陜西;61 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 聯邦 學習 分心 駕駛 識別 方法 | ||
1.一種基于聯邦學習的分心駕駛識別方法，其特征在于包括如下步驟：
步驟1：搜集有關駕駛員分心行為識別的圖像集，本地用戶通過深度神經網絡和淺層卷積神經網絡分別獨立執行識別學習任務，構建私有模型；
步驟2：以同態加密形式傳輸本地深度神經網絡私有模型的參數到云服務器；
步驟3：在云服務器中聯合學習，建立全局統計深度神經網絡模型；
步驟4：當有本地用戶的請求時從云服務器下載變更的深度神經網絡模型參數，更新本地深度神經網絡模型；
步驟5：融合本地深度神經網絡和淺層卷積神經網絡全連接層，建立最終混合識別模型，對本地駕駛員駕駛圖像進行識別。
2.根據權利要求1所述的基于聯邦學習的分心駕駛識別方法，其特征在于：所述步驟5中融合本地深度神經網絡和淺層卷積神經網絡全連接層，建立最終混合識別模型，對于任意用戶端u來說，本地混合模型的目標優化過程表示為：
其中，f( )表示網絡輸出，softmax是輸出運算，|表示網絡融合層，λ表示網絡融合層和輸出層之間需要學習的參數矩陣，l(·,·)表示損失函數。
3.根據權利要求1所述的基于聯邦學習的分心駕駛識別方法，其特征在于：所述步驟1中圖像集為開源數據集，包括ImageNet，Open Images，Image V5。
4.根據權利要求1所述的基于聯邦學習的分心駕駛識別方法，其特征在于：所述步驟1中基于TensorFlowFederated框架構建深度神經網絡模型，通過TensorFlow系統投建淺層卷積神經網絡模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國人民武裝警察部隊工程大學，未經中國人民武裝警察部隊工程大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010698360.9/1.html，轉載請聲明來源鉆瓜專利網。
