基于脉冲神经网络的高效联邦学习用于交通标志识别
机器学习
2022-06-01 v1 信号处理
摘要
随着自动驾驶的逐步普及，车辆通过正确识别交通标志来智能地做出正确驾驶决策并自主遵守交通规则变得愈发重要。然而，对于车联网（IoV）上基于机器学习的交通标志识别，需要将来自分布式车辆的大量交通标志数据集中到中心服务器进行模型训练，由于交通标志数据包含大量位置隐私信息，这带来了严重的隐私泄露风险。为解决此问题，我们首先利用隐私保护联邦学习，在不共享原始交通标志数据的情况下协作训练高精度识别模型。然而，由于大多数设备有限的计算与能源资源，车辆难以持续承担复杂的人工智能任务。因此，我们将强大的脉冲神经网络（SNNs）引入交通标志识别，以实现节能且快速的模型训练，SNNs 是下一代神经网络，实用且非常契合 IoV 场景。此外，我们基于神经元感受野为 SNNs 设计了一种新颖的编码方案，从交通标志的像素与空间维度提取信息，以实现高精度训练。数值结果表明，所提出的联邦 SNN 在准确率、抗噪性与能效方面均优于传统联邦卷积神经网络。
引用
@article{arxiv.2205.14315,
title = {Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition},
author = {Kan Xie and Zhe Zhang and Bo Li and Jiawen Kang and Dusit Niyato and Shengli Xie and Yi Wu},
journal= {arXiv preprint arXiv:2205.14315},
year = {2022}
}
备注
Submitted by IEEE Transactions on Vehicular Technology