基于联邦学习的交通标志识别研究

针对目前智能驾驶车辆存在的算力浪费以及交通标志的数据孤岛问题,提出了一种基于联邦学习的交通标志识别算法。首先,对联邦学习开源框架FATE与YOLOv5模型相融合进行实现并更改优化,保障模型与数据联通。其次,更改YOLOv5模型的主干网络和添加注意力机制以减少其参数量,提高其精确率。最后,在此基础上创建出基于模型的数据读取、训练、损失、模型载入等模块,提高整体模型的泛化性。将所提方法在数据集上进行验证,实验结果表明改进模型的mAP相对于基准提高了9%,模型占用内存缩减至43.2MB。