摘要
随着当前交通技术的不断发展，智能驾驶技术越来越受到人们的重视，其中目标检测技术在驾驶场景中发挥了极大的作用，是保障智能驾驶安全评估的重要依据。另一方面，传统的神经网络训练是基于中心式训练方式进行的，但中心式训练方式可能存在数据隐私问题，如数据传输过程会导致泄露用户个人信息等。为了解决上述问题，可采用基于分布式训练方式的联邦学习算法，将用户数据保存在本地进行训练，从而避免数据传输过程中发生隐私泄露。本文将基于联邦学习算法，实现一个适用于深度神经网络的分布式训练系统，以此利用本地驾驶场景数据训练目标检测网络模型。整体联邦学习系统将分成服务端和客户端两种设备类型进行设计，实现相应的网络连接模块、模型训练模块、聚合保存模块。在此基础上结合模型压缩技术，从结构轻量化和权重加速两方面对模型结构进行压缩，减少模型体积以加速通信效率，并对整体系统功能和模型优化进行实验测试，证明本文实现的联邦学习系统，在不泄露用户隐私数据的前提下，也能达到相当程度的车辆检测性能。本文主要工作包括以下两个方面： （1）利用Pytorch深度学习框架搭建出联邦学习分布式系统，结合数据库和远程调用功能，实现终端上的模型传输、模型训练、模型记录任务，并基于所选的硬件平台进行部署，获取服务端和客户端的实时训练数据以及初始化驾驶场景车辆检测模型，利用搭建的联邦学习系统在终端上训练模型，以验证学习系统实现可行性。 （2）使用模型压缩技术对检测模型进行不同模式的压缩以降低网络占用体积。对构建的联邦学习系统和网络模型进行功能测试和精度性能测试，在经过结构轻量化和权重加速两种压缩实验后，进行对比分析模型压缩后的检测模型的性能变化，对其实验结果进行展示，验证不同压缩方式的实用性及其可行性。
NETL