CN113837300A - 基于区块链的自动驾驶跨域目标检测方法 - Google Patents
基于区块链的自动驾驶跨域目标检测方法 Download PDFInfo
- Publication number
- CN113837300A CN113837300A CN202111147485.3A CN202111147485A CN113837300A CN 113837300 A CN113837300 A CN 113837300A CN 202111147485 A CN202111147485 A CN 202111147485A CN 113837300 A CN113837300 A CN 113837300A
- Authority
- CN
- China
- Prior art keywords
- domain
- block chain
- model
- target detection
- training
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 238000013499 data model Methods 0.000 claims abstract description 7
- 238000005065 mining Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于区块链的自动驾驶跨域目标检测方法,该方法包括:构建基于区块链的目标检测系统框架,并基于系统框架训练DA‑YOLO模型且设计域分类器;构造车辆区块链结构,并设置智能合约且执行数据存储和模型共享;将数据打包为区块并添加到车辆区块链结构中。上述基于区块链的自动驾驶跨域目标检测方法,可以提高DDL系统的安全性和有效性。与条件分布式学习相比,基于区块链的分布式学习可以减少每个节点的计算开销。通过域自适应,所提出的方法可以减少不同对象类之间的域差异。另外,通过使用区块链技术可以保证模型共享的可靠性,提高跨域对象检测的性能。
Description
技术领域
本发明涉及自动驾驶技术领域,特别是涉及一种基于区块链的自动驾驶跨域目标检测方法。
背景技术
在车联网(Internet of Vehicles,IoV)系统中,自动驾驶汽车能够感知环境并进行规划,而无需人工干预,这是人工智能实现的。此外,由摄像头、雷达、激光雷达和GPS等多种传感器组成的自动驾驶车辆可以与其他车辆共享信息,进一步提高其自动驾驶系统的可靠性。目标检测是检测某一类语义对象的实例,是自主驾驶的基本任务。近年来,深度学习被广泛应用于提高目标检测的性能。
然而,自动驾驶的目标检测仍然面临挑战。首先,模型不能很好地推广到新的领域,无监督学习的跨域目标检测效率较低。对于自动驾驶而言,外部环境(如不同的背景、图像质量和照明)都会导致域偏移。在不同的车载摄像机参数下,训练数据集具有不同的质量。不同的城市在物体外观上有一些不同。此外,大多数数据集是在干燥天气和白天采集的,而自动驾驶系统需要适应恶劣的天气条件和夜间。因此,跨域目标检测引起了广泛的关注。
随着训练数据集的增加,目标检测的网络模型越来越深入和复杂。此外,当模型训练的计算复杂度较高时,模型的训练阶段需要较多的内存。因此,更深入的模型训练是一项耗费时间和资源的任务,需要更高的计算能力以及高效的数据处理和存储。神经网络的分布式训练是平衡计算复杂度和学习效率的有效方法。分布式深度学习(Distributed DeepLearning,DDL)在效率和计算复杂度之间取得了比较好的平衡。然而,DDL的可靠性较低。此外,训练数据和模型的成本也不是很好。
发明内容
基于此,有必要针对上述技术问题,提供一种安全性、有效性和可靠性较高的基于区块链的自动驾驶跨域目标检测方法。
一种基于区块链的自动驾驶跨域目标检测方法,所述方法包括:
构建基于区块链的目标检测系统框架,并基于所述系统框架训练DA-YOLO模型且设计域分类器;
构造车辆区块链结构,并设置智能合约且执行数据存储和模型共享;
将所述数据打包为区块并添加到所述车辆区块链结构中。
进一步的,所述构建基于区块链的目标检测系统框架,并基于所述系统框架训练DA-YOLO模型且设计域分类器,包括:
将源数据和目标数据上载到附近的MEC节点;
设置智能合约并为跨MEC节点的目标检测任务形成DLG;
基于带有DA-YOLO模型的分布式深度学习,在源数据上训练特征提取器和类预测器,在源数据和目标数据上训练特征提取器和域分类器;
当训练模型收敛时,返回缓存的模型的地址,在测试时使用特征提取器和类预测器。
进一步的,所述构建基于区块链的目标检测系统框架,并基于所述系统框架训练DA-YOLO模型且设计域分类器,还包括:
定义域自适应过程中的域度量值;
采用基于梯度反转层的对抗策略用于DA-YOLO模型;
构造DA-YOLO的网络结构。
进一步的,所述构造车辆区块链结构,并设置智能合约且执行数据存储和模型共享,包括:
在拟议的基于区块链的联网车辆对象检测框架中,采矿车辆用于收集图像并分别注释对象的位置和类别;
训练数据同步到附近的MEC节点;
日常车辆要求训练有素的DA-YOLO模型来执行目标检测任务;
设计用于模型共享的智能合约。
上述基于区块链的自动驾驶跨域目标检测方法,通过分布式学习来训练模型,区块链可以减少故障,同时可以提高DDL系统的安全性和有效性。区块链通过数据同步提供更高的可靠性,从而保护训练有素的模型。巨大的资源由区块链参与者贡献。区块链和对象检测的结合具有建立可信赖和可靠的自动驾驶系统的潜力。此外,区块链鼓励模型共享,因为它可以提供透明性和可靠性,并且可以将数据控制权交还给车辆用户。
同时,提出了一种域自适应的YOLOv2模型来训练具有分布式迁移学习的模型。为了减少领域差异,设计了一种基于对抗训练的领域分类器。车辆用户采集的训练数据上传到附近的MEC节点。采用分布式学习方法训练目标检测模型,并将区块链奖励返回给采矿车辆。MEC节点负责模型共享和共识。MEC是一个网络架构概念,它使云计算能力和服务环境能够在边缘网络上工作,负责模型共享和共识。MEC可以提供低延迟和实时计算能力,适用于模型训练等计算密集型服务。
此外,开发了智能合约来有效地执行数据存储、模型训练和模型共享任务。智能合约支持消息的灵活结构,并且可以自动进行模型训练。与条件分布式学习相比,基于区块链的分布式学习可以减少每个节点的计算开销。通过域自适应,所提出的方法可以减少不同对象类之间的域差异。另外,通过使用区块链技术可以保证模型共享的可靠性,提高跨域对象检测的性能。
附图说明
图1为一个实施例的基于区块链的自动驾驶跨域目标检测方法流程图;
图2为基于区块链的对象检测的架构图;
图3为模型共享的过程图;
图4为提出的DA-YOLO模型的概述图;
图5为车辆区块链的结构图;
图6为用于数据存储的智能合约图;
图7为用于模型训练的智能合约图;
图8为用于模型共享的智能合约图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出了一种基于区块链的自动驾驶跨域目标检测方法,采用有效的基于区块链的迁移学习方法来提高自动驾驶系统中目标检测器的性能。在基础检测器YOLO-v2(YOLO全称是You Only Look Once:Unified,Real-Time Object Detection,You OnlyLook Once说的是只需要一次CNN运算,Unified指的是这是一个统一的框架,提供end-to-end的预测,而Real-Time体现是Yolo算法速度快,v2为版本)的基础上,采用分布式学习方法训练了一个域自适应模型。在跨域自适应的基础上,采用域分类器来减少域间的差异。此外,还开发了智能合约来有效地执行数据存储和模型共享任务。MEC(Multi access EdgeComputing,多路访问边缘计算)可以提供低延迟和实时计算能力,适用于模型训练等计算密集型服务,主要负责模型共享和共识。区块链技术被用来实现跨MEC节点的模型共享,同时区块链共识保证了模型共享的可靠性。与以往的工作不同,训练后的模型可以跨MEC节点共享。
如图1所示,在一个实施例中,一种基于区块链的自动驾驶跨域目标检测方法,其特征在于,该方法包括:
步骤S110,构建基于区块链的目标检测系统框架,并基于该系统框架训练DA-YOLO(Domain-Adaptive YOLO,域自适应YOLO)模型且设计域分类器。
对于构建基于区块链的目标系统框架,参见图2。首先,将源数据和目标数据上载到附近的MEC节点,日常车辆发送可以被视为交易的目标检测任务请求;其次,设置智能合约并为跨MEC节点的目标检测任务形成DLG(Deep Learning Group,深度学习小组);再次,基于带有DA-YOLO模型的分布式深度学习,在源数据上训练特征提取器和类预测器,在源数据和目标数据上训练特征提取器和域分类器;最后,当训练模型收敛时,返回缓存的模型的地址,在测试时使用特征提取器和类预测器。图3显示了模型共享过程的模式,DLG中的每个MEC节点都用于训练DA-YOLO模型,并且使用区块链技术在MEC节点之间共享模型参数。另外,在模型训练过程中使用了微调方法。所述的微调方法见Y.Ganin,V.Lempitsky等人的论文“Unsupervised domain adaptation by backpropagation”。
在建立的目标系统框架下,跨节点训练一个具有分布式迁移学习的域自适应的YOLOv2模型,并且设计一种基于对抗训练的领域分类器。
首先,定义域自适应过程中的域度量值。定义两个域分布DS和DT(日常车辆收集的目标数据称为目标域DS,采矿车辆收集的源数据称为源域DT。在源域中,位置和类别可用,但是在目标域中,图像标签不可用)以及一个假设类H。特征向量用x表示,标记源样本和未标记目标样本分别用和表示。域分类器d:x→{0,1}可以以较低的目标风险构建。H-散度度量了假设类H区分源DS和目标DT分布的能力,域距离定义如下:
其中,errDS和errDT分别是d(x)对源域和目标域样本的预测误差。
在卷积神经网络中,f表示特征抽取器,它被强制输出特征向量x。因此,最小域距离可以重写如下:
其次,采用基于梯度反转层(Gradient Reverse Layer,GRL)的对抗策略用于DA-YOLO模型。对抗性自适应方法是一种潜在的技术,可以生成像素级目标样本或特征级目标表示并且可以使源分布和目标分布之间的距离最小。所述的GRL方法见E.Tzeng,J.Hoffman等人的论文“Deep domain confusion:Maximizing for domain invariance”。
最后,构造DA-YOLO的网络结构,参见图4,DA-YOLO网络包括三个部分:功能提取器f;标签预测变量y;域分类器d。注意,标准YOLO模型包括功能提取器和标签预测器。此外,梯度反转层用于连接特征提取器和域分类器,并且没有参数与GRL关联。
1)对于功能提取器f,激活函数为sigmoid。用特征向量输入x,所有层的网络参数为(W,b)。然后,将特征提取器h(x)的输出定义为
h(x)=sigm(Wx+b),
2)对于标签预测变量y,激活函数为softmax。所有层的网络参数为(U,c),并且标签预测变量g(x)的输出为
g(x)=softmax(Uh(x)+c),
4)对于域分类器d,激活函数为sigmoid。所有层的网络参数为(V,d),并且将域分类器o(x)的输出定义为
o(x)=sigm(Vh(x)+d)。
其中,Ld(o(x),Di)=-Dilog(o(x))-(1-Di)log(1-o(x))。
6)拟议网络的最终训练损失包括YOLO和领域自适应模块,可以写成
Lda=Lyolo+λLdom
其中,参数λ(λ>0)是权重因子,可以在YOLO损耗和域自适应模块之间进行权衡。GRL用作具有负乘数λ的反向梯度。通过使用随机梯度下降(Stochastic GradientDescent,SGD)算法,对DA-YOLO网络进行了端到端学习训练。可以在特征提取器和标签预测器中训练源数据,并且可以在特征提取器和域分类器中训练源数据和域数据。为了提高域自适应模型的性能,可以在特定约束下对DA-YOLO网络进行微调。另外,特征提取器和标签预测器用于推断。
步骤S120,构造车辆区块链结构,并设置智能合约且执行数据存储和模型共享。
首先,在拟议的基于区块链的联网车辆对象检测框架中,采矿车辆用于收集图像并分别注释对象的位置和类别。
其次,训练数据(包括源域和目标域)同步到附近的MEC节点。在模型收敛之前,将使用分布式学习方法对提出的DA-YOLO模型进行训练。因此,MEC节点可用于数据存储,模型训练以及智能合约的控制器。
再次,日常车辆要求训练有素的DA-YOLO模型来执行目标检测任务。但是,数据隐私和价格对于信息共享是无法保证的。因此,区块链是为采矿车辆和MEC节点提供隐私和奖励的关键。
最后,设计用于模型共享的智能合约。智能合约是两个或多个参与方之间的协议,其编码方式使得区块链可以保证正确执行。此外,可以通过智能合约对数据和模型进行定价。车辆区块链的结构参见图5所示,交易数据包括四种类型的记录:数据记录;模型记录;模型索引记录;模型共享记录。其中,图6展示了采矿车辆数据存储的智能合约。矿车将加密的数据上传到附近的MEC节点。星际文件系统(IPFS)用于存储数据,而IPFS可以使用内容可寻址和对等(P2P)方法存储和共享数据。正确验证数据文件后,当前MEC节点(k=1,2,...)会将数据记录广播到其他MEC节点。最后,可以执行智能合约并将其同步到车辆区块链。此外,将日常车辆的数据记录添加到区块链的智能合约类似于采矿车辆的过程。图7显示了用于模型训练的智能合约。在矿车和日常车辆将训练数据上传到附近的MEC节点后,使用DPoS共识方法形成用于目标检测任务的DLG,并在MEC节点之间训练DA-YOLO模型。所述的DPoS共识方法见H.Xu,Y.Gao等人的文章“End-to-end learning of driving models fromlarge-scale video data sets”。在模型收敛之前,包含模型索引的事务将广播到附近的MEC节点。图8显示了用于模型共享的智能合约。当日常车辆请求模型共享时,将返回缓存的模型,并且可以下载经过训练的模型以进行推断。然后,智能合约将立即将奖励发送给矿车。
步骤S130,将数据打包为区块并添加到车辆区块链结构中。区块链共识流程中,通过这些智能合约生成上述四种类型的记录(数据记录;模型记录;模型索引记录;模型共享记录)后,MEC控制器节点可以将这些记录打包为区块。通过使用DPoS算法,代表们可以在共识阶段将区块添加到区块链中。每个MEC节点都有权对代表进行投票,并选择投票数最高的代表以产生新的块。
上述基于区块链的自动驾驶跨域目标检测方法,通过分布式学习来训练模型,区块链可以减少故障,同时可以提高DDL系统的安全性和有效性。区块链通过数据同步提供更高的可靠性,从而保护训练有素的模型。巨大的资源由区块链参与者贡献。区块链和对象检测的结合具有建立可信赖和可靠的自动驾驶系统的潜力。此外,区块链鼓励模型共享,因为它可以提供透明性和可靠性,并且可以将数据控制权交还给车辆用户。
同时,提出了一种域自适应的YOLOv2模型来训练具有分布式迁移学习的模型。为了减少领域差异,设计了一种基于对抗训练的领域分类器。车辆用户采集的训练数据上传到附近的MEC节点。采用分布式学习方法训练目标检测模型,并将区块链奖励返回给采矿车辆。MEC节点负责模型共享和共识。MEC是一个网络架构概念,它使云计算能力和服务环境能够在边缘网络上工作,负责模型共享和共识。MEC可以提供低延迟和实时计算能力,适用于模型训练等计算密集型服务。
此外,开发了智能合约来有效地执行数据存储、模型训练和模型共享任务。智能合约支持消息的灵活结构,并且可以自动进行模型训练。与条件分布式学习相比,基于区块链的分布式学习可以减少每个节点的计算开销。通过域自适应,所提出的方法可以减少不同对象类之间的域差异。另外,通过使用区块链技术可以保证模型共享的可靠性,提高跨域对象检测的性能。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于区块链的自动驾驶跨域目标检测方法,其特征在于,所述方法包括:
构建基于区块链的目标检测系统框架,并基于所述系统框架训练DA-YOLO模型且设计域分类器;
构造车辆区块链结构,并设置智能合约且执行数据存储和模型共享;
将所述数据打包为区块并添加到所述车辆区块链结构中。
2.根据权利要求1所述的基于区块链的自动驾驶跨域目标检测方法,其特征在于,所述构建基于区块链的目标检测系统框架,并基于所述系统框架训练DA-YOLO模型且设计域分类器,包括:
将源数据和目标数据上载到附近的MEC节点;
设置智能合约并为跨MEC节点的目标检测任务形成DLG;
基于带有DA-YOLO模型的分布式深度学习,在源数据上训练特征提取器和类预测器,在源数据和目标数据上训练特征提取器和域分类器;
当训练模型收敛时,返回缓存的模型的地址,在测试时使用特征提取器和类预测器。
3.根据权利要求2所述的基于区块链的自动驾驶跨域目标检测方法,其特征在于,所述构建基于区块链的目标检测系统框架,并基于所述系统框架训练DA-YOLO模型且设计域分类器,还包括:
定义域自适应过程中的域度量值;
采用基于梯度反转层的对抗策略用于DA-YOLO模型;
构造DA-YOLO的网络结构。
4.根据权利要求1所述的基于区块链的自动驾驶跨域目标检测方法,其特征在于,所述构造车辆区块链结构,并设置智能合约且执行数据存储和模型共享,包括:
在拟议的基于区块链的联网车辆对象检测框架中,采矿车辆用于收集图像并分别注释对象的位置和类别;
训练数据同步到附近的MEC节点;
日常车辆要求训练有素的DA-YOLO模型来执行目标检测任务;
设计用于模型共享的智能合约。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111147485.3A CN113837300B (zh) | 2021-09-29 | 2021-09-29 | 基于区块链的自动驾驶跨域目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111147485.3A CN113837300B (zh) | 2021-09-29 | 2021-09-29 | 基于区块链的自动驾驶跨域目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837300A true CN113837300A (zh) | 2021-12-24 |
CN113837300B CN113837300B (zh) | 2024-03-12 |
Family
ID=78967348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111147485.3A Active CN113837300B (zh) | 2021-09-29 | 2021-09-29 | 基于区块链的自动驾驶跨域目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837300B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363122A (zh) * | 2019-07-03 | 2019-10-22 | 昆明理工大学 | 一种基于多层特征对齐的跨域目标检测方法 |
CN111553397A (zh) * | 2020-04-21 | 2020-08-18 | 东南大学 | 基于区域全卷积网络和自适应的跨域目标检测方法 |
CN111680793A (zh) * | 2020-04-21 | 2020-09-18 | 广州中科易德科技有限公司 | 一种基于深度学习模型训练的区块链共识方法和系统 |
CN112215255A (zh) * | 2020-09-08 | 2021-01-12 | 深圳大学 | 一种目标检测模型的训练方法、目标检测方法及终端设备 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
CN113221113A (zh) * | 2021-05-28 | 2021-08-06 | 东北林业大学 | 基于分布式机器学习和区块链的物联网DDoS检测、防御方法、检测装置及存储介质 |
-
2021
- 2021-09-29 CN CN202111147485.3A patent/CN113837300B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363122A (zh) * | 2019-07-03 | 2019-10-22 | 昆明理工大学 | 一种基于多层特征对齐的跨域目标检测方法 |
CN111553397A (zh) * | 2020-04-21 | 2020-08-18 | 东南大学 | 基于区域全卷积网络和自适应的跨域目标检测方法 |
CN111680793A (zh) * | 2020-04-21 | 2020-09-18 | 广州中科易德科技有限公司 | 一种基于深度学习模型训练的区块链共识方法和系统 |
CN112215255A (zh) * | 2020-09-08 | 2021-01-12 | 深圳大学 | 一种目标检测模型的训练方法、目标检测方法及终端设备 |
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
CN113221113A (zh) * | 2021-05-28 | 2021-08-06 | 东北林业大学 | 基于分布式机器学习和区块链的物联网DDoS检测、防御方法、检测装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
方俊杰;雷凯;: "面向边缘人工智能计算的区块链技术综述", 应用科学学报, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN113837300B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Edge intelligence for autonomous driving in 6G wireless system: Design challenges and solutions | |
Ali et al. | A data aggregation based approach to exploit dynamic spatio-temporal correlations for citywide crowd flows prediction in fog computing | |
Mousavi et al. | Traffic light control using deep policy‐gradient and value‐function‐based reinforcement learning | |
Manias et al. | Making a case for federated learning in the internet of vehicles and intelligent transportation systems | |
CN112863180B (zh) | 交通速度预测方法、装置、电子设备及计算机可读介质 | |
Dong et al. | A hybrid spatial–temporal deep learning architecture for lane detection | |
CN115879535A (zh) | 一种自动驾驶感知模型的训练方法、装置、设备和介质 | |
US11636348B1 (en) | Adaptive training of neural network models at model deployment destinations | |
CN112990295A (zh) | 一种基于迁移学习和深度学习融合的半监督图表示学习方法及装置 | |
CN114970673B (zh) | 一种半监督模型训练方法、系统及相关设备 | |
CN111738372A (zh) | 分布式多智能体时空特征提取方法、行为决策方法 | |
CN115860102B (zh) | 一种自动驾驶感知模型的预训练方法、装置、设备和介质 | |
Kalb et al. | Continual learning for class-and domain-incremental semantic segmentation | |
CN115907009A (zh) | 一种自动驾驶感知模型的迁移方法、装置、设备和介质 | |
Tan et al. | Multi-agent bootstrapped deep q-network for large-scale traffic signal control | |
CN114549369A (zh) | 数据修复方法、装置、计算机及可读存储介质 | |
CN115033780A (zh) | 一种基于联邦学习的隐私保护跨领域推荐系统 | |
CN112115744B (zh) | 点云数据的处理方法及装置、计算机存储介质、电子设备 | |
CN116012880A (zh) | 分布式边缘协同推理的行人重识别方法、系统及装置 | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
Elouali et al. | Data transmission reduction formalization for cloud offloading-based IoT systems | |
CN113837300B (zh) | 基于区块链的自动驾驶跨域目标检测方法 | |
CN116433470A (zh) | 模型训练方法、数据增强方法、目标检测方法及相关设备 | |
CN115115966A (zh) | 视频场景的分割方法、装置、计算机设备、存储介质 | |
Xu et al. | Deep Neural Network‐Based Sports Marketing Video Detection Research |
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 |