[发明专利]基于联邦学习的模型训练方法及装置

权利要求书

1.一种基于联邦学习的模型训练方法，其特征在于，包括以下步骤：

采集每个客户端对应的三维点云数据，并对所述三维点云数据进行预处理，以得到对应的道路点云二维灰度分块图片，并将所述每个客户端对应的道路点云二维灰度分块图片作为所述每个客户端对应的数据集；

在每一轮通信中，获取服务器端的全局模型，并根据所述每个客户端对应的数据集对所述全局模型进行训练，以得到每个客户端对应的模型参数；

根据所述每个客户端内道路标识的像素数量计算每个客户端对应的道路标识权重，并将所述每个客户端对应的模型参数和道路标识权重发送给所述服务器端；

所述服务器端根据所述每个客户端对应的模型参数和道路标识权重进行加权平均以得到更新后的全局模型，并将所述更新后的全局模型发送给所述每个客户端，以便进行下一轮模型更新，直至达到最大通信轮数后得到道路标识提取模型。

2.如权利要求1所述的基于联邦学习的模型训练方法，其特征在于，采集每个客户端对应的三维点云数据，并对所述三维点云数据进行预处理，以得到对应的道路点云二维灰度分块图片，包括：

将所述采集的三维点云数据投影到道路平面，以得到平面点云；

对所述平面点云进行网格化划分；

将每个网格单元按预设区域作为基本像素点，取区域内反射强度均值作为灰度，并生成二维灰度分块图片；

过滤所述二维灰度分块图片中的非道路点云的二维灰度分块图片，以得到所述道路点云二维灰度分块图片。

3.如权利要求2所述的基于联邦学习的模型训练方法，其特征在于，所述道路标识权重根据以下公式计算：

其中，w_i表示第i个客户端对应的道路标识权重，n表示客户端数量，NP函数定义如下：

其中，RMPixel_k表示第k个图片中所有道路标识的像素点数量,M表示第i个客户端的图片数量，S表示每张图片的总像素数量。

4.如权利要求3所述的基于联邦学习的模型训练方法，其特征在于，在训练过程中采用的损失函数为Focal Loss，根据以下公式计算：

其中，p表示模型预测为正的概率，y表示模型预测的类别(0,1)，w_f和m_f表示为人工调整的参数以平衡正负样本损失。

5.一种计算机可读存储介质，其特征在于，其上存储有基于联邦学习的模型训练程序，该基于联邦学习的模型训练程序被处理器执行时实现如权利要求1-4中任一项所述的基于联邦学习的模型训练方法。

6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-4中任一项所述的基于联邦学习的模型训练方法。

7.一种基于联邦学习的模型训练装置，其特征在于，包括：

预处理模块，所述预处理模块用于采集每个客户端对应的三维点云数据，并对所述三维点云数据进行预处理，以得到对应的道路点云二维灰度分块图片，并将所述每个客户端对应的道路点云二维灰度分块图片作为所述每个客户端对应的数据集；

本地训练模块，所述本地训练模块用于在每一轮通信中，获取服务器端的全局模型，并根据所述每个客户端对应的数据集对所述全局模型进行训练，以得到每个客户端对应的模型参数；

权重计算模块，所述权重计算模块用于根据所述每个客户端内道路标识的像素数量计算每个客户端对应的道路标识权重，并将所述每个客户端对应的模型参数和道路标识权重发送给所述服务器端；

模型聚合模块，所述模型聚合模块用于根据所述每个客户端对应的模型参数和道路标识权重进行加权平均以得到更新后的全局模型；并将所述更新后的全局模型发送给所述每个客户端，以便进行下一轮模型更新，直至达到最大通信轮数后得到道路标识提取模型。