CN111880568A - 无人机自动控制的优化训练方法、装置、设备及存储介质 - Google Patents

无人机自动控制的优化训练方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111880568A
CN111880568A CN202010764487.6A CN202010764487A CN111880568A CN 111880568 A CN111880568 A CN 111880568A CN 202010764487 A CN202010764487 A CN 202010764487A CN 111880568 A CN111880568 A CN 111880568A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
automatic control
preset
participant
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010764487.6A
Other languages
English (en)
Other versions
CN111880568B (zh
Inventor
鞠策
高大山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010764487.6A priority Critical patent/CN111880568B/zh
Publication of CN111880568A publication Critical patent/CN111880568A/zh
Application granted granted Critical
Publication of CN111880568B publication Critical patent/CN111880568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请公开了一种无人机自动控制的优化训练方法、装置、设备和存储介质，该方法包括：获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息；基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合；基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型。本申请旨在解决现有技术中存在基于机器学习模型难以准确对无人机进行优化控制，且控制过程中存在能耗过多的技术问题。

Description

无人机自动控制的优化训练方法、装置、设备及存储介质
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种无人机自动控制的优化训练方法、装置、设备及存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术应用在金融领域，但金融业也对技术提出了更高的要求，如金融业对无人机自动控制的优化训练也有更高的要求。
无人机的自动控制系统在智能无人机控制中十分重要，现有技术中，主要通过事先采集不同用户产生的无人机数据，共同训练一个机器学习模型，以最终实现对无人机进行自动控制，然而，由于无人机数据的隐私敏感性以及不同用户无人机的操作动态性，致使现有技术中存在基于机器学习模型难以准确对无人机进行优化控制，且控制过程中存在能耗过多的技术问题。
发明内容
本申请的主要目的在于提供一种无人机自动控制的优化训练方法、装置、设备和存储介质，旨在解决现有技术中存在基于机器学习模型难以准确对无人机进行优化控制，且控制过程中存在能耗过多的技术问题。
为实现上述目的，本申请提供一种无人机自动控制的优化训练方法，应用于第一参与方，所述第一参与方与第二参与方进行联邦连接，所述无人机自动控制的优化训练方法包括：
获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息；
基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合；
基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型。
可选地，所述预设势能函数为多个，所述基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合的步骤，包括：
对每个所述预设势能函数进行系数初始化处理，得到初始化系数后的预设势能函数；
基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值；
基于各所述初始势能值，确定每个所述预设势能函数的目标最优轨迹；
基于各所述目标最优轨迹，确定所述预设势能函数的累积势能值；
基于所述累积势能值以及预设终止条件，确定所述预设势能函数的第一最优线性组合。
可选地，所述基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤之前，所述方法包括：
获取所述路径轨迹信息对应第一参与方的用户数据；
基于所述用户数据，确定所述第一参与方是否为专家类型参与方；
若所述第一参与方为专家类型参与方，执行基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤。
可选地，所述基于所述用户数据，确定所述第一参与方是否为专家类型参与方的步骤，包括：
将所述用户数据输入至预设专家分类器模型中；
基于所述预设专家分类器模型，对所述用户数据进行识别处理，确定所述第一参与方是否为专家类型参与方。
可选地，所述基于所述预设专家分类器模型，对所述用户数据进行识别处理的步骤之前，所述方法包括：
获取具有类型标签的用户数据集合，以对预设基础模型进行联邦迭代训练，得到目标模型；
将所述目标模型设置为所述预设专家分类器模型。
可选地，所述基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型的步骤，包括：
接收各个第二参与方的第二最优线性组合；
确定所述第一最优线性组合与第二最优线性组合的占比权重；
基于所述占比权重，通过联邦学习得到用于无人机自动控制的目标控制模型。
本申请还提供一种无人机自动控制的优化训练装置，应用于第一参与方，所述第一参与方与第二参与方进行联邦连接，所述无人机自动控制的优化训练装置包括：
第一获取模块，用于获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息；
第一确定模块，用于基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合；
第二获取模块，用于基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型。
可选地，所述预设势能函数为多个，所述第一确定模块包括：
初始化单元，用于对每个所述预设势能函数进行系数初始化处理，得到初始化系数后的预设势能函数；
第一确定单元，用于基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值；
第二确定单元，用于基于各所述初始势能值，确定每个所述预设势能函数的目标最优轨迹；
第三确定单元，用于基于各所述目标最优轨迹，确定所述预设势能函数的累积势能值；
第四确定单元，用于基于所述累积势能值以及预设终止条件，确定所述预设势能函数的第一最优线性组合。
可选地，所述无人机自动控制的优化训练装置还包括：
第三获取模块，用于获取所述路径轨迹信息对应第一参与方的用户数据；
第二确定模块，用于基于所述用户数据，确定所述第一参与方是否为专家类型参与方；
执行模块，用于若所述第一参与方为专家类型参与方，执行基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤。
可选地，所述第二确定模块包括：
输入单元，用于将所述用户数据输入至预设专家分类器模型中；
识别单元，用于基于所述预设专家分类器模型，对所述用户数据进行识别处理，确定所述第一参与方是否为专家类型参与方。
可选地，所述无人机自动控制的优化训练装置还包括：
第四获取模块，用于获取具有类型标签的用户数据集合，以对预设基础模型进行联邦迭代训练，得到目标模型；
设置模块，用于将所述目标模型设置为所述预设专家分类器模型。
可选地，所述第二获取模块包括：
接收单元，用于接收各个第二参与方的第二最优线性组合；
第五确定单元，用于确定所述第一最优线性组合与第二最优线性组合的占比权重；
获取单元，用于基于所述占比权重，通过联邦学习得到用于无人机自动控制的目标控制模型。
本申请还提供一种无人机自动控制的优化训练设备，所述无人机自动控制的优化训练设备为实体设备，所述无人机自动控制的优化训练设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述无人机自动控制的优化训练方法的程序，所述无人机自动控制的优化训练方法的程序被处理器执行时可实现如上述的无人机自动控制的优化训练方法的步骤。
本申请还提供一种存储介质，所述存储介质上存储有实现上述无人机自动控制的优化训练方法的程序，所述无人机自动控制的优化训练方法的程序被处理器执行时实现如上述的无人机自动控制的优化训练方法的步骤。
本申请通过获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息；基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合；基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型。在本申请中，获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息后，基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合，以避免不同用户无人机的操作动态性带来的过多势能的消耗，在确定预设势能函数的第一最优线性组合后，通过联邦学习得到用于无人机自动控制的目标控制模型，实现在保护用户隐私的情况下，得到足够的优化训练数据联邦训练得到目标控制模型，解决现有技术中现有技术中难以准确对无人机进行优化控制的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请无人机自动控制的优化训练方法第一实施例的流程示意图；
图2为本申请无人机自动控制的优化训练方法中基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合的步骤的细化步骤流程示意图；
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种无人机自动控制的优化训练方法，在本申请无人机自动控制的优化训练方法的第一实施例中，参照图1，应用于第一参与方，所述第一参与方与第二参与方进行联邦连接，所述无人机自动控制的优化训练方法包括：
步骤S10，获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息；
步骤S20，基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合；
步骤S30基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型。
具体步骤如下：
步骤S10，获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息；
在本实施例中，需要说明的是，可以应用于第一参与方，也可以应用于无人机自动控制的优化训练系统，该无人机自动控制的优化训练系统从属于无人机自动控制的优化训练设备，对于无人机自动控制的优化训练系统而言，是存在多个参与方(无人机)的，该各个参与方(无人机)之间进行联邦通信连接，或者该各个参与方之间通过中间方进行联邦通信连接。
在本实施例中，以无人机自动控制的优化训练方法应用于第一参与方(第一无人机)为例进行具体说明，具体地，获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息，其中，优化训练数据包括第一参与方(第一无人机端)采集的操控轨迹(每个无人机本地端收集用户操控无人机飞行产生的操控轨迹)，操控轨迹是一族多维时间序列，包括来自无人机遥控器的控制数据，以及无人机传感器记录的飞行轨迹点和状态等，其中，控制数据包括输入电调或者电机的控制信号等，无人机传感器记录的飞行轨迹点和状态包括无人机飞行的坐标、速度、加速度、距离传感器读数以及摄像头图像等，获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息，具体地，路径轨迹信息可以包括飞行轨迹的长度，纵向加速度最大值，水平方向加速度最大值，路径光滑程度，距离传感器最小数值，距障碍物，距离小于1m的飞行时间占比，电池电量消耗量，电池最大输出功率等，其中，对于每个路径轨迹信息，存在对应预设势能函数，具体地，例如，对于飞行轨迹的长度，存在对应预设势能函数，对于纵向加速度最大值，存在对应预设势能函数，对于水平方向加速度最大值，存在对应预设势能函数，对于路径光滑程度，存在对应预设势能函数。
获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息的方式包括：
方式一：获取用于无人机自动控制的优化训练数据，对优化训练数据进行信息直接提取处理，提取所述优化训练数据中的路径轨迹信息；
方式二：获取用于无人机自动控制的优化训练数据，对优化训练数据输入至预设信息提取模型中，提取所述优化训练数据中的路径轨迹信息。
步骤S20，基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合；
基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合，具体地，基于所述路径轨迹信息，确定各预设势能函数的系数，以得到系数组合，以得到第一最优线性组合，其中，最优线性组合可以指的是整体势能函数作用在操控轨迹上的势能最小。
其中，总势能Φ(T)是有m个预设势能函数的线性组合，即
Figure BDA0002611692470000071
其中线性组合的系数
Figure BDA0002611692470000072
未知，在本实施例中，需要求得线性组合的系数，使得在此系数下，势能函数作用在路径轨迹信息上的势能最小。
其中，参照图2，所述预设势能函数为多个，所述基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合的步骤，包括：
步骤S21，对每个所述预设势能函数进行系数初始化处理，得到初始化系数后的预设势能函数；
对每个所述预设势能函数进行系数初始化处理，得到初始化系数后的预设势能函数，具体地，首先，在第一参与方本地进行系数初始化，得到各个预设势能函数的系数组合，该系数组合为
Figure BDA0002611692470000073
其中，可以在第一参与方进行初始化系数组合，也可以在中间(中心服务器)第三方进行系数初始化，在初始化系数后，分发给每一个无人机端，具体地，中心服务器得到初始化系数组合
Figure BDA0002611692470000074
并分发给每一个无人机端。
步骤S22，基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值；
在本实施例中，基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值，具体地，基于预存的路径轨迹信息值，代入预设势能函数中，求得初始化系数后的预设势能函数的各初始势能值，在本实施例中，对于参与本轮联邦学习的无人机端，确定初始化系数后的预设势能函数的各初始势能值的目的在于，求解当前对每个势能函数的最优轨迹。
步骤S23，基于各所述初始势能值，确定每个所述预设势能函数的目标最优轨迹；
基于各所述初始势能值，确定每个所述预设势能函数的目标最优轨迹，对于参与本轮联邦学习的无人机端，对于当前的系数，无人机端通过预设预存算法求解当前对每个势能函数
Figure BDA0002611692470000081
的最优轨迹。
步骤S24，基于各所述目标最优轨迹，确定所述预设势能函数的累积势能值；
基于各所述目标最优轨迹，确定所述预设势能函数的累积势能值，具体地，对于当前最优轨迹，无人机端计算累积势场值，得到
Figure BDA0002611692470000082
步骤S25，基于所述累积势能值以及预设终止条件，确定所述预设势能函数的第一最优线性组合。
基于所述累积势能值以及预设终止条件，确定所述预设势能函数的第一最优线性组合，该预设终止条件可以是：
Figure BDA0002611692470000083
且α≥u-ue，其中，α≥0，ue是作用在路径轨迹信息上的对应累积势场值，u是作用在目标最优轨迹上的累积势场值。
所述基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤之前，所述方法包括：
步骤A1，获取所述路径轨迹信息对应第一参与方的用户数据；
在本实施例中，在基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤之前，还需要确定第一参与方是否为专家参与方，具体地，由于同一个参与方即用户收集的数据量不足以训练准确的学习模型，因而，需要收集大量数据，而收集大量数据耗时，成本高昂，且众多用户的数据涵盖广泛的无人机使用场景，以及无人机操作风格(只有部分用户会熟练操控无人机)，为获取有效的优化训练数据，因而，在保护用户隐私的前提下，基于熟练操控无人机的用户数据训练一个准确的无人机自动控制模型。
获取所述路径轨迹信息对应第一参与方的用户数据，其中，该第一参与方的用户数据包括第一参与方的用户历史总飞行时间，平均单次飞行时间，碰撞率(碰撞次数/飞行次数，其中碰撞由加速度计判断)，第一参与方的用户年龄，第一参与方的用户性别。
步骤A2，基于所述用户数据，确定所述第一参与方是否为专家类型参与方；
步骤A3，若所述第一参与方为专家类型参与方，执行基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤。
基于所述用户数据，确定所述第一参与方是否为专家类型参与方，若所述第一参与方为专家类型参与方，执行基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤，若所述第一参与方为专家类型参与方，不执行基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤。在本实施例中，剔除水平差的用户对联邦学习模型效果的负面影响，同时将水平高的用户也动态加入联邦学习中，动态地、自适应地考察用户的无人机操控水平，将高水平用户(无人机端)引入联邦学习，将水平差的用户剔除联邦学习。
步骤S30，基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型。
在本实施例中，基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型，具体地，接收其他第二参与方的其他最优线性组合，基于所述第一最优线性组合以及其他最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型，具体地，通过中间方将第一最优线性组合以及其他最优线性组合进行系数的聚合，得到聚合线性组合，以供参与方获取，参与方获取后，持续进行迭代训练，直至联邦学习终止，联邦学习终止的条件可以是：||α||≤ε，其中，选定ε，设置联邦学习终止条件||α||≤ε，若||α||≤ε，联邦学习终止，若||α||ε，继续进行联邦学习训练，其中，α≥0。
在本实施例中，需要说明的是，联邦学习终止条件还可以是联邦学习的次数达到预设次数。
所述基于所述第一最优线性组合，通过联邦学习得到目标控制模型的步骤之后，包括：
步骤S40，获取待处理数据，将所述待处理数据输入至目标控制模型中；
步骤S50，基于所述目标控制模型对所述待处理数据进行预测处理，得到待处理数据的目标预测结果。
在本实施例中，目标控制模型是已经训练好的，因而，在获取待处理数据，将所述待处理数据输入至目标控制模型中后，基于所述目标控制模型对所述待处理数据进行检测处理，得到待处理数据的目标预测结果，该目标预测结果包括待处理输入的飞行轨迹等数据。
本申请通过获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息；基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合；基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型。在本申请中，获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息后，基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合，以避免不同用户无人机的操作动态性带来的过多势能的消耗，在确定预设势能函数的第一最优线性组合后，通过联邦学习得到用于无人机自动控制的目标控制模型，实现在保护用户隐私的情况下，得到足够的优化训练数据联邦训练得到目标控制模型，解决现有技术中现有技术中难以准确对无人机进行优化控制的技术问题。
进一步地，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述基于所述用户数据，确定所述第一参与方是否为专家类型参与方的步骤，包括：
步骤B1，将所述用户数据输入至预设专家分类器模型中；
在本实施例中，存在预设专家分类器模型，该预设专家分类器模型为已经训练好的一个二分类模型，该二分类模型用于判断用户是专家类型还是非专家类型，将所述用户数据输入至预设专家分类器模型中，以对用户数据进行识别。
步骤B2，基于所述预设专家分类器模型，对所述用户数据进行识别处理，确定所述第一参与方是否为专家类型参与方。
基于所述预设专家分类器模型，对所述用户数据进行识别处理，确定所述第一参与方是否为专家类型参与方，其中，第一参与方可以是专家类型参与方，或者可以不是专家类型参与方，若第一参与方是专家类型参与方，则该第一参与方可以参与联邦训练，若第一参与方不是专家类型参与方，则该第一参与方不可以参与联邦训练。
所述基于所述预设专家分类器模型，对所述用户数据进行识别处理的步骤之前，所述方法包括：
步骤C1，获取具有类型标签的用户数据集合，以对预设基础模型进行联邦迭代训练，得到目标模型；
获取具有类型标签的用户数据集合，以对预设基础模型进行联邦迭代训练，得到目标模型的方式包括：
步骤M1，基于所述用户数据集合，对所述预设基础模型进行迭代训练，以训练更新所述预设基础模型的模型参数；
步骤M2，判断迭代训练的所述模型参数是否达到预设替换更新条件，若所述预设基础模型达到预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型参数进行替换更新，获得替换更新的所述预设基础模型；
需要说明的是，所述预设替换更新条件包括达到第一迭代次数阈值、达到第一训练轮数阈值等，在本实施例中，若训练后的所述预设基础模型达到所述预设替换更新条件，则通过执行所述预设联邦流程，对训练更新的所述模型参数进行替换更新，获得替换更新的所述预设基础模型，具体地，对训练更新的所述模型参数进行替换更新包括：获取其他第二参与方的对应其他模型参数，进而基于其他第二参与方的其他模型参数，与第一参与方的模型参数得到聚合模型参数，在得到聚合模型参数后，则基于所述聚合模型参数，对所述第一参与方的所述模型参数进行替换更新，具体地，若所述预设基础模型达到所述预设替换更新条件，则直接将所述预设基础模型中的正在进行训练更新的所述模型参数替换为所述聚合模型参数，若所述预设基础模型未达到所述预设替换更新条件，则对所述预设基础模型进行迭代训练，直至所述预设基础模型达到所述预设替换更新条件。
需要说明的是，聚合模型参数的获得可以是在第一参与方中，也可以在其他第二参与方中。
步骤M3，持续对替换更新的所述预设基础模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，得到目标模型。
在本实施例中，基于替换更新后的所述模型参数，重新进行对所述预设基础模型的迭代训练和是否达到所述预设替换更新条件的判断，直至所述预设基础模型达到预设训练完成条件，预设训练完成条件包括达到第二迭代次数阈值、达到第二训练轮数阈值等。具体地，重新进行所述预设基础模型的迭代训练，以进行对替换更新后的所述模型参数的训练更新，并持续进行所述预设基础模型是否达到所述预设替换更新条件的判断，且若所述预设基础模型达到所述预设替换更新条件，则通过与所述第二参与方进行联邦，再次替换更新所述模型参数，直至所述预设基础模型达到预设训练完成条件获得所述目标模型，例如，假设所述预设替换更新条件为迭代次数达到1000次，则所述预设基础模型每进行1000次的迭代，则向所述第二参与方发送一次所述模型参数，以接收基于所述第二参与方基于所述模型参数反馈的聚合模型参数，并将所述预设基础模型中的模型参数替换更新为相对应的聚合模型参数。
在本实施例中，获取具有类型标签的用户数据集合，以对预设基础模型进行联邦迭代训练，得到目标模型，其中，用户数据集合的输入特征为：用户历史总飞行时间，平均单次飞行时间，碰撞率(碰撞次数/飞行次数，其中碰撞由加速度计判断)，用户年龄，用户性别，类型标签包括专家类型或者非专家类型，具体地，获取具有类型标签的用户数据集合，输入至预设基础模型中，输出为各个用户熟练与否(专家类型或者是非专家类型)的二分类标签，需要说明的是，由于用于预设专家分类器模型是有标注训练数据，为事先单独收集并标注，因而，可以准确对预设基础模型进行联邦迭代训练，直至得到目标模型。在本实施例中，需要说明的是，获取具有类型标签的用户数据集合，以对预设基础模型进行联邦迭代训练，得到目标模型的步骤可以在第一参与方进行，也可以在服务器上进行，在服务器上进行联邦迭代训练，得到目标模型后，发送给各个参与方。
步骤C2，将所述目标模型设置为所述预设专家分类器模型。
在本实施例中，在得到目标模型后，将所述目标模型设置为所述预设专家分类器模型。
在本实施例中，通过将所述用户数据输入至预设专家分类器模型中；基于所述预设专家分类器模型，对所述用户数据进行识别处理，确定所述第一参与方是否为专家类型参与方。在本实施例中，准确得到预设专家分类器模型，为准确对无人机进行优化控制，减少能耗奠定基础。
进一步地，基于本申请中第一实施例以及第二实施例，提供本申请的另一实施例，在该实施例中，所述基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型的步骤，包括：
步骤S31，接收各个第二参与方的第二最优线性组合；
在本实施例中，需要说明的是，还接收各个第二参与方的第二最优线性组合，以联邦得到目标控制模型。
步骤S32，确定所述第一最优线性组合与第二最优线性组合的占比权重；
步骤S33，基于所述占比权重，通过联邦学习得到用于无人机自动控制的目标控制模型。
在本实施例中，各个第二参与方的参与权重不同，因而确定所述第一最优线性组合与第二最优线性组合的占比权重，基于所述占比权重，通过联邦学习得到用于无人机自动控制的目标控制模型。
其中，确定所述第一最优线性组合与第二最优线性组合的占比权重的方式包括：
方式一：获取第二参与方的类型，基于预设类型与权重的关联关系，确定所述第一最优线性组合与第二最优线性组合的占比权重；
方式二：获取第二参与方的训练数据，将所述训练数据输入至预设权重模型中，基于该预设权重模型，确定第二参与方的训练数据用于训练第一参与方的比重，需要说明的是，对于每个第二参与方而言，都预先训练有预设权重模型，用于确定每个第二参与方的训练数据用于训练第一参与方的比重，即确定每个第二参与方中，与第一参与方数据特征一致的目标数据在所述第二参与方数据中的数据占比率，具体地，例如，多个第二参与方为参与方A和参与方C，第一参与方为参与方B，那么对于参与方B而言，需要经过预设领域分类模型获取参与方A中用于训练参与方B模型的数据占比率，并需要经过预设领域分类模型获取参与方C中用于训练参与方B模型的数据占比率，对于参与方A而言，需要经过预设领域分类模型获取参与方B中用于训练参与方A模型的数据占比率，并需要经过预设领域分类模型获取参与方C中用于训练参与方A模型的数据占比率，对于参与方B而言，需要经过预设领域分类模型获取参与方A中用于训练参与方B模型的数据占比率，并需要经过预设领域分类模型获取参与方C中用于训练参与方B模型的数据占比率，也即，对于每一个参与方而言，将本地所有标注数据输入至预设领域分类模型中，求得第i个输出值
Figure BDA0002611692470000141
表示来自参与方Pi的有标注样本xik被判定为参与方Pj的有标注数据的概率。
基于预设类型与权重的关联关系，确定所述第一最优线性组合与第二最优线性组合的占比权重后，基于所述占比权重，通过联邦学习得到用于无人机自动控制的目标控制模型。具体地，在联邦过程中，u＝Σkxk*uk，
Figure BDA0002611692470000142
其中，选定ε，设置联邦学习终止条件||α||≤ε，且α≥u-ue，其中，a≥0，ue是作用在路径轨迹信息上的对应累积势场值，u是作用在目标最优轨迹上的累积势场值，若||α||≤ε，联邦学习终止，若||α||＞ε，继续进行联邦学习训练。
本实施例通过接收各个第二参与方的第二最优线性组合；确定所述第一最优线性组合与第二最优线性组合的占比权重；基于所述占比权重，通过联邦学习得到用于无人机自动控制的目标控制模型。在本实施例中。
参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示，该无人机自动控制的优化训练设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该无人机自动控制的优化训练设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的无人机自动控制的优化训练设备结构并不构成对无人机自动控制的优化训练设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及无人机自动控制的优化训练程序。操作系统是管理和控制无人机自动控制的优化训练设备硬件和软件资源的程序，支持无人机自动控制的优化训练程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与无人机自动控制的优化训练系统中其它硬件和软件之间通信。
在图3所示的无人机自动控制的优化训练设备中，处理器1001用于执行存储器1005中存储的无人机自动控制的优化训练程序，实现上述任一项所述的无人机自动控制的优化训练方法的步骤。
本申请无人机自动控制的优化训练设备具体实施方式与上述无人机自动控制的优化训练方法各实施例基本相同，在此不再赘述。
本申请还提供一种无人机自动控制的优化训练装置，应用于第一参与方，所述第一参与方与第二参与方进行联邦连接，所述无人机自动控制的优化训练装置包括：
第一获取模块，用于获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息；
第一确定模块，用于基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合；
第二获取模块，用于基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型。
可选地，所述预设势能函数为多个，所述第一确定模块包括：
初始化单元，用于对每个所述预设势能函数进行系数初始化处理，得到初始化系数后的预设势能函数；
第一确定单元，用于基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值；
第二确定单元，用于基于各所述初始势能值，确定每个所述预设势能函数的目标最优轨迹；
第三确定单元，用于基于各所述目标最优轨迹，确定所述预设势能函数的累积势能值；
第四确定单元，用于基于所述累积势能值以及预设终止条件，确定所述预设势能函数的第一最优线性组合。
可选地，所述无人机自动控制的优化训练装置还包括：
第三获取模块，用于获取所述路径轨迹信息对应第一参与方的用户数据；
第二确定模块，用于基于所述用户数据，确定所述第一参与方是否为专家类型参与方；
执行模块，用于若所述第一参与方为专家类型参与方，执行基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤。
可选地，所述第二确定模块包括：
输入单元，用于将所述用户数据输入至预设专家分类器模型中；
识别单元，用于基于所述预设专家分类器模型，对所述用户数据进行识别处理，确定所述第一参与方是否为专家类型参与方。
可选地，所述无人机自动控制的优化训练装置还包括：
第四获取模块，用于获取具有类型标签的用户数据集合，以对预设基础模型进行联邦迭代训练，得到目标模型；
设置模块，用于将所述目标模型设置为所述预设专家分类器模型。
可选地，所述第二获取模块包括：
接收单元，用于接收各个第二参与方的第二最优线性组合；
第五确定单元，用于确定所述第一最优线性组合与第二最优线性组合的占比权重；
获取单元，用于基于所述占比权重，通过联邦学习得到用于无人机自动控制的目标控制模型。
本申请无人机自动控制的优化训练装置的具体实施方式与上述无人机自动控制的优化训练方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的无人机自动控制的优化训练方法的步骤。
本申请存储介质具体实施方式与上述无人机自动控制的优化训练方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种无人机自动控制的优化训练方法，其特征在于，应用于第一参与方，所述第一参与方与第二参与方进行联邦连接，所述无人机自动控制的优化训练方法包括：
获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息；
基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合；
基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型。
2.如权利要求1所述的无人机自动控制的优化训练方法，其特征在于，所述预设势能函数为多个，所述基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合的步骤，包括：
对每个所述预设势能函数进行系数初始化处理，得到初始化系数后的预设势能函数；
基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值；
基于各所述初始势能值，确定每个所述预设势能函数的目标最优轨迹；
基于各所述目标最优轨迹，确定所述预设势能函数的累积势能值；
基于所述累积势能值以及预设终止条件，确定所述预设势能函数的第一最优线性组合。
3.如权利要求2所述的无人机自动控制的优化训练方法，其特征在于，所述基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤之前，所述方法包括：
获取所述路径轨迹信息对应第一参与方的用户数据；
基于所述用户数据，确定所述第一参与方是否为专家类型参与方；
若所述第一参与方为专家类型参与方，执行基于所述路径轨迹信息，确定初始化系数后的预设势能函数的各初始势能值的步骤。
4.如权利要求3所述的无人机自动控制的优化训练方法，其特征在于，所述基于所述用户数据，确定所述第一参与方是否为专家类型参与方的步骤，包括：
将所述用户数据输入至预设专家分类器模型中；
基于所述预设专家分类器模型，对所述用户数据进行识别处理，确定所述第一参与方是否为专家类型参与方。
5.如权利要求4所述的无人机自动控制的优化训练方法，其特征在于，所述基于所述预设专家分类器模型，对所述用户数据进行识别处理的步骤之前，所述方法包括：
获取具有类型标签的用户数据集合，以对预设基础模型进行联邦迭代训练，得到目标模型；
将所述目标模型设置为所述预设专家分类器模型。
6.如权利要求5所述的无人机自动控制的优化训练方法，其特征在于，所述基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型的步骤，包括：
接收各个第二参与方的第二最优线性组合；
确定所述第一最优线性组合与第二最优线性组合的占比权重；
基于所述占比权重，通过联邦学习得到用于无人机自动控制的目标控制模型。
7.如权利要求1－6任一项所述的无人机自动控制的优化训练方法，其特征在于，所述基于所述第一最优线性组合，通过联邦学习得到目标控制模型的步骤之后，包括：
获取待处理数据，将所述待处理数据输入至目标控制模型中；
基于所述目标控制模型对所述待处理数据进行预测处理，得到待处理数据的目标预测结果。
8.一种无人机自动控制的优化训练装置，其特征在于，应用于第一参与方，所述第一参与方与第二参与方进行联邦连接，所述无人机自动控制的优化训练装置包括：
第一获取模块，用于获取用于无人机自动控制的优化训练数据，提取所述优化训练数据中的路径轨迹信息；
第一确定模块，用于基于所述路径轨迹信息，确定预设势能函数的第一最优线性组合；
第二获取模块，用于基于所述第一最优线性组合，通过联邦学习得到用于无人机自动控制的目标控制模型。
9.一种无人机自动控制的优化训练设备，其特征在于，所述无人机自动控制的优化训练设备包括：存储器、处理器以及存储在存储器上的用于实现所述无人机自动控制的优化训练方法的程序，
所述存储器用于存储实现无人机自动控制的优化训练方法的程序；
所述处理器用于执行实现所述无人机自动控制的优化训练方法的程序，以实现如权利要求1至7中任一项所述无人机自动控制的优化训练方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有实现无人机自动控制的优化训练方法的程序，所述实现无人机自动控制的优化训练方法的程序被处理器执行以实现如权利要求1至7中任一项所述无人机自动控制的优化训练方法的步骤。
CN202010764487.6A 2020-07-31 2020-07-31 无人机自动控制的优化训练方法、装置、设备及存储介质 Active CN111880568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010764487.6A CN111880568B (zh) 2020-07-31 2020-07-31 无人机自动控制的优化训练方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010764487.6A CN111880568B (zh) 2020-07-31 2020-07-31 无人机自动控制的优化训练方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111880568A true CN111880568A (zh) 2020-11-03
CN111880568B CN111880568B (zh) 2024-08-02

Family

ID=73205107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010764487.6A Active CN111880568B (zh) 2020-07-31 2020-07-31 无人机自动控制的优化训练方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111880568B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689000A (zh) * 2021-08-25 2021-11-23 深圳前海微众银行股份有限公司 联邦学习模型的训练方法、装置、电子设备及存储介质
CN113887747A (zh) * 2021-10-21 2022-01-04 新智我来网络科技有限公司 基于联合学习的数据融合方法及装置

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045615A1 (zh) * 2014-09-25 2016-03-31 科沃斯机器人有限公司 机器人静态路径规划方法
CN106017494A (zh) * 2016-05-23 2016-10-12 福州华鹰重工机械有限公司 基于学徒学习的路径规划方法及装置
US20170169358A1 (en) * 2015-12-09 2017-06-15 Samsung Electronics Co., Ltd. In-storage computing apparatus and method for decentralized machine learning
CN107767076A (zh) * 2017-11-10 2018-03-06 上海朝阳永续信息技术股份有限公司 一种目标对象的确定方法及系统
CN108874959A (zh) * 2018-06-06 2018-11-23 电子科技大学 一种基于大数据技术的用户动态兴趣模型建立方法
CN108875963A (zh) * 2018-06-28 2018-11-23 北京字节跳动网络技术有限公司 机器学习模型的优化方法、装置、终端设备和存储介质
US20190012592A1 (en) * 2017-07-07 2019-01-10 Pointr Data Inc. Secure federated neural networks
CN109375632A (zh) * 2018-12-17 2019-02-22 清华大学 自动驾驶车辆实时轨迹规划方法
CN109583781A (zh) * 2018-12-06 2019-04-05 广东电网有限责任公司肇庆供电局 评估方法、无人机管理方法及电子设备
CN109615012A (zh) * 2018-12-13 2019-04-12 平安医疗健康管理股份有限公司 基于机器学习的就诊数据异常识别方法、设备及存储介质
CN110553660A (zh) * 2019-08-31 2019-12-10 武汉理工大学 一种基于a*算法和人工势场的无人车轨迹规划方法
CN110598870A (zh) * 2019-09-02 2019-12-20 深圳前海微众银行股份有限公司 一种联邦学习方法及装置
CN110610242A (zh) * 2019-09-02 2019-12-24 深圳前海微众银行股份有限公司 一种联邦学习中参与者权重的设置方法及装置
CN111290381A (zh) * 2020-02-10 2020-06-16 深圳前海微众银行股份有限公司 基于无人车的联邦学习实验系统
CN111339212A (zh) * 2020-02-13 2020-06-26 深圳前海微众银行股份有限公司 样本聚类方法、装置、设备及可读存储介质
CN111461292A (zh) * 2020-03-17 2020-07-28 南京航空航天大学 一种无人机实时轨迹预测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045615A1 (zh) * 2014-09-25 2016-03-31 科沃斯机器人有限公司 机器人静态路径规划方法
US20170169358A1 (en) * 2015-12-09 2017-06-15 Samsung Electronics Co., Ltd. In-storage computing apparatus and method for decentralized machine learning
CN106017494A (zh) * 2016-05-23 2016-10-12 福州华鹰重工机械有限公司 基于学徒学习的路径规划方法及装置
US20190012592A1 (en) * 2017-07-07 2019-01-10 Pointr Data Inc. Secure federated neural networks
CN107767076A (zh) * 2017-11-10 2018-03-06 上海朝阳永续信息技术股份有限公司 一种目标对象的确定方法及系统
CN108874959A (zh) * 2018-06-06 2018-11-23 电子科技大学 一种基于大数据技术的用户动态兴趣模型建立方法
CN108875963A (zh) * 2018-06-28 2018-11-23 北京字节跳动网络技术有限公司 机器学习模型的优化方法、装置、终端设备和存储介质
CN109583781A (zh) * 2018-12-06 2019-04-05 广东电网有限责任公司肇庆供电局 评估方法、无人机管理方法及电子设备
CN109615012A (zh) * 2018-12-13 2019-04-12 平安医疗健康管理股份有限公司 基于机器学习的就诊数据异常识别方法、设备及存储介质
CN109375632A (zh) * 2018-12-17 2019-02-22 清华大学 自动驾驶车辆实时轨迹规划方法
CN110553660A (zh) * 2019-08-31 2019-12-10 武汉理工大学 一种基于a*算法和人工势场的无人车轨迹规划方法
CN110598870A (zh) * 2019-09-02 2019-12-20 深圳前海微众银行股份有限公司 一种联邦学习方法及装置
CN110610242A (zh) * 2019-09-02 2019-12-24 深圳前海微众银行股份有限公司 一种联邦学习中参与者权重的设置方法及装置
CN111290381A (zh) * 2020-02-10 2020-06-16 深圳前海微众银行股份有限公司 基于无人车的联邦学习实验系统
CN111339212A (zh) * 2020-02-13 2020-06-26 深圳前海微众银行股份有限公司 样本聚类方法、装置、设备及可读存储介质
CN111461292A (zh) * 2020-03-17 2020-07-28 南京航空航天大学 一种无人机实时轨迹预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
甄然;甄士博;吴学礼;: "一种自适应控制的人工势场的无人机路径规划算法", 无线电工程, no. 05, 5 May 2017 (2017-05-05), pages 58 - 61 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689000A (zh) * 2021-08-25 2021-11-23 深圳前海微众银行股份有限公司 联邦学习模型的训练方法、装置、电子设备及存储介质
CN113887747A (zh) * 2021-10-21 2022-01-04 新智我来网络科技有限公司 基于联合学习的数据融合方法及装置

Also Published As

Publication number Publication date
CN111880568B (zh) 2024-08-02

Similar Documents

Publication Publication Date Title
CN112700010B (zh) 基于联邦学习的特征补全方法、装置、设备及存储介质
CN111860255B (zh) 驾驶检测模型的训练、使用方法、装置、设备及介质
CN114627102B (zh) 一种图像异常检测方法、装置、系统及可读存储介质
CN109961032B (zh) 用于生成分类模型的方法和装置
CN110765882B (zh) 一种视频标签确定方法、装置、服务器及存储介质
CN103903006A (zh) 一种基于Android平台的农作物害虫识别方法及系统
CN110175657B (zh) 一种图像多标签标记方法、装置、设备及可读存储介质
CN113505854A (zh) 一种人脸图像质量评价模型构建方法、装置、设备及介质
CN111880568A (zh) 无人机自动控制的优化训练方法、装置、设备及存储介质
CN110096979B (zh) 模型的构建方法、人群密度估计方法、装置、设备和介质
CN109063790B (zh) 对象识别模型优化方法、装置和电子设备
CN115187772A (zh) 目标检测网络的训练及目标检测方法、装置及设备
CN113902944A (zh) 模型的训练及场景识别方法、装置、设备及介质
CN113591839A (zh) 一种特征提取模型构建方法、目标检测方法及其设备
CN104966095A (zh) 图像目标检测方法及装置
CN118245795A (zh) 一种干扰信号检测模型训练方法、系统及应用方法、系统
CN109978058A (zh) 确定图像分类的方法、装置、终端及存储介质
CN117455555B (zh) 基于大数据的电商用户画像分析方法及系统
CN117315237B (zh) 目标检测模型的确定方法及装置、存储介质
CN108229467A (zh) 解译遥感图像的方法、装置和电子设备
CN112200862A (zh) 目标检测模型的训练方法、目标检测方法及装置
CN111539390A (zh) 一种基于Yolov3的小目标图像识别方法、设备和系统
CN113838076A (zh) 目标图像中的对象轮廓的标注方法及装置、存储介质
CN116563604A (zh) 端到端目标检测模型训练、图像目标检测方法及相关设备
CN113762382A (zh) 模型的训练及场景识别方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant