(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210738427.6 (22)申请日 2022.06.28 (65)同一申请的已公布的文献号 申请公布号 CN 114841377 A (43)申请公布日 2022.08.02 (73)专利权人 国汽智控 （北京） 科技有限公司 地址 100176 北京市大兴区北京经济技 术 开发区荣 华南路13号院7号楼4层409 (72)发明人 井明军　张晔　 (74)专利代理 机构 北京同立钧成知识产权代理 有限公司 1 1205 专利代理师 钞朝燕　臧建明 (51)Int.Cl. G06N 20/20(2019.01) G06N 3/08(2006.01)G06F 21/62(2013.01) G06T 7/70(2017.01) (56)对比文件 CN 114463168 A,202 2.05.10 CN 114358316 A,202 2.04.15 CN 114254386 A,202 2.03.29 CN 113239972 A,2021.08.10 WO 2020207079 A1,2020.10.15 审查员 张慧娟 (54)发明名称 应用于图像目标识别的联邦学习模型训练 方法、 识别方法 (57)摘要 本申请提供一种应用于图像目标识别的联 邦学习模型训练方法、 识别方法， 涉及图像处理 技术， 该方法包括： 接收多个车辆终端中的每一 车辆终端发送的脱敏环境图像； 确定脱敏环境图 像对应的标注信息； 将脱 敏环境图像对应的标注 信息、 以及预设的初始全局模型发送给每一车辆 终端； 其中， 预设的初始全局模型用于确定车辆 终端的局部模型。 获取局部模型参数； 根据局部 模型参数， 更新预设的初始全局模型， 得到目标 识别模型； 并将目标识别模型发送给每一车辆终 端， 其中， 目标识别模型用于识别车辆终端周围 的环境图像中的目标对象。 本申请的方法， 消除 了模糊化脱敏化对训练模型精度的影 响， 解决了 识别模型的精度较低的技 术问题。 权利要求书6页 说明书19页 附图9页 CN 114841377 B 2022.09.13 CN 114841377 B 1.一种应用于图像目标识别的联邦学习 模型训练方法， 其特征在于， 应用于服务器， 所 述方法包括： 接收多个车辆终端中的每一车辆终端发送的脱敏环境图像； 其中， 所述脱敏环境图像 是车辆终端对 采集的初始 环境图像进行脱敏处 理得到的； 确定所述脱敏环境图像对应的标注信息； 其中， 所述脱敏环境图像对应的标注信息为 与该脱敏环境图像对应的初始环境图像的标注信息； 所述标注信息用于指示初始环境图像 中的目标对象； 将所述脱敏环境图像对应的标注信 息、 以及预设的初始全局模型发送给所述每一车辆 终端； 其中， 所述预设的初始全局模型用于确定所述车辆终端的局部模型； 获取局部模型参数； 其中， 所述局部模型参数为基于本地模型参数所得到的， 所述本地 模型参数为车辆终端基于初始环境图像和初始环境图像的标注信息对所述车辆终端的局 部模型进行训练所 得到的； 根据所述局部模型参数， 更新所述预设的初始全局模型， 得到目标识别模型； 并将所述 目标识别模型发送给所述每一车辆终端， 其中， 所述 目标识别模型用于识别车辆终端周围 的环境图像中的目标对象。 2.根据权利要求1所述的方法， 其特征在于， 确定所述脱敏环境图像对应的标注信息， 包括： 响应于用户针对所述脱敏环境图像中的目标对象的标注操作， 得到与 所述脱敏环境图 像对应的标注区域； 根据与所述脱敏环境图像对应的标注区域， 生成所述脱敏环境图像对应的标注信息； 其中， 所述标注信息包括脱敏环境图像中的目标对象在该脱敏环境图像所位于的预设坐标 系中的位置信息 。 3.根据权利要求2所述的方法， 其特征在于， 所述标注信息包括以下的任意一种或多 种： 整体形状的目标对象的位置信息、 部分形状的目标对象的位置信息 。 4.根据权利要求1所述的方法， 其特 征在于， 所述获取局部模型参数， 包括： 接收所述每一车辆终端发送的本地模型参数； 其中， 所述本地模型参数为车辆终端基 于与该车辆终端对应的初始环境图像以及初始环 境图像的标注信息， 对该车辆终端中的局 部模型进行训练所 得到的； 对各所述本地模型参数进行聚合处 理， 得到所述局部模型参数。 5.根据权利要求1所述的方法， 其特 征在于， 所述获取局部模型参数， 包括： 接收所述多个车辆终端中的一个车辆终端发送的所述局部模型参数； 所述局部模型参 数为所述多个车辆终端中的一个车辆终端对所述多个车辆终端中的各车辆终端所反馈的 本地模型参数， 进行聚合处 理所得到的； 其中， 所述本地模型参数为车辆终端基于与该车辆终端对应的初始环境图像以及初始 环境图像的标注信息， 对该 车辆终端中的局部模型进行训练所 得到的。 6.根据权利要求1所述的方法， 其特征在于， 接收多个车辆终端中的每一车辆终端发送 的脱敏环境图像， 包括： 向多个车辆终端中的每一车辆终端发送图像获取指令； 其中， 所述图像获取指令用于 获取脱敏环境图像；权　利　要　求　书 1/6 页 2 CN 114841377 B 2接收多个车辆终端中的每一车辆终端发送的脱敏环境图像。 7.根据权利要求1所述的方法， 其特征在于， 接收多个车辆终端中的每一车辆终端发送 的脱敏环境图像， 包括： 接收多个车辆终端中的至少一个车辆终端发送的图像上传指令； 其中， 所述图像上传 指令是车辆终端获取到事故数据并采集到与所述事故数据对应的初始环境图像时发出的， 所述图像上传指令用于指示向多个车辆终端中的每一车辆终端发送图像获取指令； 向多个车辆终端中的每一车辆终端发送所述图像获取指令； 其中， 所述图像获取指令 用于获取脱敏环境图像； 接收多个车辆终端发送的脱敏环境图像。 8.根据权利要求7所述的方法， 其特征在于， 所述事故数据包括以下的一种或多种： 车 辆终端的气囊弹出数据、 处于 自动驾驶模式下 的车辆终端采集到的刹车数据、 车辆终端的 传感器获取的碰撞数据。 9.一种应用于图像目标识别的联邦学习 模型训练方法， 其特征在于， 应用于车辆终端， 所述方法包括： 采集与该车辆终端对应的初始环境图像， 对所述初始环境图像进行脱敏处理， 得到与 所述初始 环境图像对应的脱敏环境图像； 并向服 务器发送所述脱敏环境图像； 接收服务器发送的脱敏环境图像对应的标注信 息、 以及预设的初始全局模型； 其中， 所 述脱敏环境图像对应的标注信息为与该脱敏环境图像对应的初始环境图像的标注信息； 所 述标注信息用于指示初始环境图像中的目标对象； 所述预设的初始全局模 型用于确定所述 车辆终端的局部模型； 基于初始环境图像和初始环境图像的标注信息， 对车辆终端中的局部模型进行训练， 得到本地模型参数； 将所述本地模型参数发送给服务器， 所述本地模型参数用于确定局部模型参数； 或者， 确定与所述本地模型参数对应的局部模 型参数， 将所述局部模 型参数发送至服务器； 其中， 所述局部模型参数用于更新所述预设的初始全局模型之后得到目标识别模型； 接收服务器发送 的所述目标识别模型； 其中， 所述目标识别模型用于识别车辆终端周 围的环境图像中的目标对象。 10.根据权利要求9所述的方法， 其特征在于， 所述标注信息为基于用户针对所述脱敏 环境图像中的目标对象的标注操作所得到的； 所述标注信息包括脱敏环境图像中的目标对 象在该脱敏环境图像所位于的预设坐标系中的位置信息 。 11.根据权利要求10所述的方法， 其特征在于， 所述标注信 息包括以下的任意一种或多 种： 整体形状的目标对象的位置信息、 部分形状的目标对象的位置信息 。 12.根据权利要求11所述的方法， 其特征在于， 基于初始环境图像和初始环境图像的标 注信息， 对车辆终端中的局部模型进行训练， 得到 本地模型参数， 包括： 基于初始环境图像和初始环境图像中部分形状的目标对象的位置信 息， 确定部分形状 的目标对象对应的整体形状； 基于初始环境图像和初始环境图像中目标对象的整体形状， 对车辆终端中的局部模型 进行训练， 得到 本地模型参数。 13.根据权利要求9所述的方法， 其特征在于， 确定与所述本地模型参数的对应的局部权　利　要　求　书 2/6 页 3 CN 114841377 B 3