基于区块链的自动驾驶跨域目标检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113837300A(43)申请公布日2021.12.24(21)申请号202111147485.3(22)申请日2021.09.29(71)申请人上海海事大学地址201306上海市浦东新区临港新城海港大道1550号(72)发明人李威蒋先涛黄君泽(74)专利代理机构上海互顺专利代理事务所(普通合伙)31332代理人成秋丽(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书6页附图7页(54)发明名称基于区块链的自动驾驶跨域目标检测方法(57)摘要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。CN113837300ACN113837300A权利要求书1/1页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。2CN113837300A说明书1/6页基于区块链的自动驾驶跨域目标检测方法技术领域[0001]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[0002]在车联网(InternetofVehicles，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。[0003]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。[0004]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(DistributedDeepLearning，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