CN112257774A - 基于联邦学习的目标检测方法、装置、设备及存储介质 - Google Patents
基于联邦学习的目标检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112257774A CN112257774A CN202011125718.5A CN202011125718A CN112257774A CN 112257774 A CN112257774 A CN 112257774A CN 202011125718 A CN202011125718 A CN 202011125718A CN 112257774 A CN112257774 A CN 112257774A
- Authority
- CN
- China
- Prior art keywords
- target detection
- detection model
- model
- lightweight
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 261
- 238000013138 pruning Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于联邦学***均算法将所述模型梯度参数进行融合得到的全局梯度参数;使用所述全局梯度参数对所述初始目标检测模型进行更新,并返回上述训练的步骤,直到满足预设的终止条件,得到目标检测模型;使用所述目标检测模型对待检测图像进行目标检测。此外,本发明还涉及区块链技术,本地数据集可存储于区块链节点中。本发明可以提高目标检测的检测速度和检测准确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于联邦学习的目标检测方法、装置、电子设备及计算机可读存储介质。
背景技术
目标识别是计算机视觉发展的重要领域,根据任务的不同,可以应用在图像识别、物体定位、目标检测等多种技术方案中。其中,目标检测作为人脸识别、实例分割等应用的基础被广泛研究。
目前的目标检测方法主要采用多层卷积神经网络结构生成候选区域,再进行回归和分类,但这种方式的识别速度很慢,效率较低;同时,在一些业务场景中,需要对某些业务数据进行保密,导致采集的样本数据量较少,使得检测的准确性较低。
发明内容
本发明提供一种基于联邦学习的目标检测方法、装置、电子设备及计算机可读存储介质,其主要目的在于提供一种快速和更高准确性的目标检测方法。
为实现上述目的,本发明提供的一种基于联邦学习的目标检测方法,包括:
采用随机权重对预构建的初始目标检测模型进行剪枝处理,得到轻量级目标检测模型;
基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,并将所述模型梯度参数发送给服务端;
接收所述服务端根据联邦平均算法将所述模型梯度参数进行融合得到的全局梯度参数;
使用所述全局梯度参数对所述初始目标检测模型进行更新,并返回上述基于本地数据集对所述轻量级目标检测模型进行训练的步骤,直到所述轻量级目标检测模型满足预设的终止条件,得到训练完成的目标检测模型;
使用所述目标检测模型对待检测图像进行目标检测。
可选地,所述采用随机权重对预构建的初始目标检测模型进行剪枝处理,包括:
获取所述初始目标检测模型中各卷积层的权重;
根据所述权重确定各卷积层的优先级;
根据各卷积层的优先级进行剪枝,得到剪枝后的初始目标检测模型;
计算所述剪枝后的初始目标检测模型的目标函数;
返回上述根据所述权重确定各卷积层的优先级的步骤,直到所述目标函数满足预设的停止条件时停止剪枝。
可选地,所述根据各卷积层的优先级进行剪枝,包括:
将所述各卷积层的优先级与预设阈值进行比较;
当所述优先级小于所述阈值时,将所述优先级对应的卷积层在所述初始目标检测模型中删除。
可选地,所述基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,包括:
将所述本地数据集输入至所述轻量级目标检测模型,得到所述轻量级目标检测模型的输出结果;
利用预设的损失函数计算所述输出结果的损失值;
根据所述损失值对所述轻量级目标检测模型的参数进行调整,直到所述损失值维持不变时,将所述轻量级目标检测模型的参数确定为模型梯度参数。
可选地,所述将所述本地数据集输入至所述轻量级目标检测模型,得到所述轻量级目标检测模型的输出结果,包括:
将所述本地数据集进行均匀分块,得到多个特征块;
提取每个所述特征块中的特征数据,并根据所述特征数据生成多个预测边框;
对所述多个预测边框进行目标识别,输出预测目标类别以及与所述预测目标类别对应的预测概率。
可选地,所述利用预设的损失函数计算所述输出结果的损失值,包括:
根据所述输出结果计算边框坐标位置误差、预测准确度误差和预测类别误差;
利用预设的损失函数根据所述边框坐标位置误差、所述预测准确度误差和所述预测类别误差计算得到损失值。
可选地,所述联邦平均算法包括:
其中,W是全局梯度参数,Wk是模型梯度参数,p是参与方的总数量。
为了解决上述问题,本发明还提供一种基于联邦学习的目标检测装置,所述装置包括:
剪枝模块,用于采用随机权重对预构建的初始目标检测模型进行剪枝处理,得到轻量级目标检测模型;
本地训练模块,用于基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,并将所述模型梯度参数发送给服务端;
参数融合模块,用于接收所述服务端根据联邦平均算法将所述模型梯度参数进行融合得到的全局梯度参数;
参数更新模块,用于使用所述全局梯度参数对所述初始目标检测模型进行更新,并返回上述基于本地数据集对所述轻量级目标检测模型进行训练的步骤,直到所述轻量级目标检测模型满足预设的终止条件,得到训练完成的目标检测模型;
检测模块,用于使用所述目标检测模型对待检测图像进行目标检测。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述中任意一项所述的基于联邦学习的目标检测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述中任意一项所述的基于联邦学习的目标检测方法。
本发明实施例采用随机权重对预构建的初始目标检测模型进行剪枝处理,将多层网络结构的模型优化为轻量级模型,减轻了计算量,提高了模型的检测速度;同时基于联邦学习技术对所述所述轻量级目标检测模型进行训练,即保证了本地数据集的隐秘性,又扩大了模型的训练数据集,从而提升了所述轻量级目标检测模型的准确性。因此,本发明提出的基于联邦学习的目标检测方法、装置、电子设备及计算机可读存储介质,可以提高目标检测的检测速度和检测准确性。
附图说明
图1为本发明一实施例提供的基于联邦学习的目标检测方法的流程示意图;
图2为本发明一实施例提供的随机权重的剪枝方法的流程示意图;
图3为本发明一实施例提供的基于联邦学习的模型训练方法的流程示意图;
图4为本发明一实施例提供的基于联邦学习的目标检测装置的模块示意图;
图5为本发明一实施例提供的实现基于联邦学习的目标检测方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于联邦学***台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的基于联邦学习的目标检测方法的流程示意图,所述基于联邦学习的目标检测方法包括:
S1、采用随机权重对预构建的初始目标检测模型进行剪枝处理,得到轻量级目标检测模型。
本发明实施例中所述初始目标检测模型是一种基于卷积神经网络的检测模型。
可选地,本发明实施例在采用随机权重对预构建的初始目标检测模型进行剪枝处理之前,还包括:获取样本数据,将所述样本数据输入至所述初始目标检测模型,确定所述初始目标检测模型中各卷积层的输出数据。
详细地,参阅图2所示,所述采用随机权重对预构建的初始目标检测模型进行剪枝处理,包括:
S10、获取所述初始目标检测模型中各卷积层的权重;
S11、根据所述权重确定各卷积层的优先级;
S12、根据各卷积层的优先级进行剪枝,得到剪枝后的初始目标检测模型;
S13、计算所述剪枝后的初始目标检测模型的目标函数;
S14、判断所述目标函数是否满足预设的停止条件;
S15、停止剪枝,得到轻量级目标检测模型。
所述目标函数不满足预设的停止条件时,返回上述的步骤S11,继续执行根据权重确定卷积层的优先级的步骤;若所述目标函数满足预设的停止条件,则执行步骤S15,停止剪枝,得到轻量级目标检测模型。
其中,所述权重是预先赋予给每个卷积层不同的数值,本实施例中,所述权重的数值范围为0至1。所述停止条件可以是所述目标函数的值不再下降。
可选地,本发明实施例利用下述公式确定各卷积层的优先级:
Wj=gatej×outputj-1
其中,j是卷积层的层数,Wj是卷积层j的优先级,gatej是卷积层j的权重,outputj-1是卷积层j的上层输出,即卷积层j的输入数据。进一步地,所述根据各卷积层的优先级进行剪枝,包括:
将所述各卷积层的优先级与预设阈值进行比较;
当所述优先级大于或者等于所述阈值时,保留所述优先级对应的卷积层;
当所述优先级小于所述阈值时,将所述优先级对应的卷积层在所述初始目标检测模型中删除。
本发明实施例中预设设置一个可变全局阈值λ,当卷积层j的优先级Wj≤λ时,在所述初始目标检测模型中将卷积层j进行删除。其中,所述全局阈值λ的大小与所述初始目标检测模型中的总层数相关,当所述初始目标检测模型中的总层数降低时,λ也会随之减小。
进一步地,本发明实施例使用下述公式计算所述目标函数:
其中,f(xi;W,α)是所述初始目标检测模型的输出结果,xi为样本数据,W为所述初始目标检测模型的参数,α为所述初始目标检测模型的结构表示,N是样本数据的总数,yi表示样本数据xi对应的实际标签,ω是平衡参数,为常数,M是所述初始目标检测模型中的卷积层数,gatej是卷积层j的权重。
所述初始目标检测模型在剪枝后,计算速度得到了提升,但同时模型的准确度也会下降,为了保证模型的准确度,使用目标函数来检测所述初始目标检测模型的剪枝效果,确保所述轻量级目标检测模型的检测速度和检测准确度。
所述初始目标检测模型中包含多个卷积层、池化层、全连接层,各层中都包含大量的权重参数,在实际使用过程中需要进行大量计算,导致识别速度较慢,本发明实施例通过剪枝,去除所述初始目标检测模型中的冗余部分,减少计算量,提高效率。
S2、基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,并将所述模型梯度梯度参数发送给服务端。
本发明实施例使用了联邦学习算法对所述轻量级目标检测模型进行训练。所述联邦学习算法利用多个参与方联合训练,其中所述参与方可以是客户端,拥有自己的本地数据集,并只使用自己拥有的数据集来训练机器学习模型。
所述本地数据集是各参与方保存在本地的数据集,与其他各参与方的数据集具有相同的特征,但数据内容并不相同。
可选地,在对所述轻量级目标检测模型进行训练之前,本发明实施例还包括对本地数据集进行初始化,具体包括:
在所述本地数据集内标注出目标对象识别框;
在所述标注后的数据集中添加目标对象的类别标签。
详细地,各参与方首先约定好目标对象的类别,可以有多个类别,各参与方在本地数据集内将目标对象用识别框标注出来,再确定目标对象的类别,为目标对象添加类别标签,便于后续的训练。
详细地,参阅图3所示,所述基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,包括:
S20、将所述本地数据集输入至所述轻量级目标检测模型,得到所述轻量级目标检测模型的输出结果;
S21、利用预设的损失函数计算所述输出结果的损失值;
S22、判断所述损失值是否收敛;
S23、根据所述损失值对所述轻量级目标检测模型的参数进行调整,并返回上述的步骤S20;
S24、将所述轻量级目标检测模型的参数确定为模型梯度参数。
其中,当步骤S22的判断结果为所述损失值没有收敛时,执行步骤S23,根据所述损失值对所述轻量级目标检测模型的参数进行调整,并返回上述的步骤S20;若所述损失值收敛时,则执行步骤S24,将所述轻量级目标检测模型的参数确定为模型梯度参数。
本发明实施例中,所述损失值收敛是指所述损失值维持不变。所述根据所述损失值对所述轻量级目标检测模型的参数进行调整是根据所述损失值对所述轻量级目标检测模型进行反向传播,并计算各卷积层梯度,根据梯度计算更新量,使用原始参数减去更新量作为新参数。
进一步地,所述将所述本地数据集输入至所述轻量级目标检测模型,得到所述轻量级目标检测模型的输出结果,包括:
将所述本地数据集进行均匀分块,得到多个特征块;
提取每个所述特征块中的特征数据,并根据所述特征数据生成多个预测边框;
对所述多个预测边框进行目标识别,输出预测目标类别以及与所述预测目标类别对应的预测概率。
进入所述轻量级目标检测模型的本地数据集首先被均匀分块,分块的大小决定了图片检测的精细粒度,使每个特征块中使用多个预测边界框预测各边框中是否存在预先标注的目标对象,并分别预测目标对象的类别以及对应的概率。
详细地,本发明实施例所述利用预设的损失函数计算所述输出结果的损失值,包括:
根据所述输出结果计算边框坐标位置误差、预测准确度误差和预测类别误差;
利用预设的损失函数根据所述边框坐标位置误差、所述预测准确度误差和所述预测类别误差计算得到损失值。
本发明实施例所述预设的损失函数可以通过将所述边框坐标位置误差、所述预测准确度误差和所述预测类别误差合并得到,通过计算所述损失函数可以综合所述输出结果多方面的误差,得到损失值。
进一步地,本发明实施例使用下述公式计算所述损失函数:
其中,上述损失函数中,第一个加号之前的部分表示包含目标对象的边框坐标位置预测误差,第二个加号之后的部分表示包含目标对象的边框的预测准确度误差,第三个加号之后的部分表示预测类别误差,进一步地,M是特征块总数,H是预测边框总数量,xmi是第m个特征块中预测边框i的向量表示,为第m个特征块中预测边框i的位置,为第m个特征块中该边框的实际标注位置;表示第m个特征块中预测边框i的预测准确度,表示第m个特征块中该边界框的实际标注的准确度;xm是特征块m的向量表示,N是目标类别总数,P(Nj)pred表示目标类别j的预测概率,P(Nj)true表示目标类别j的实际概率。
S3、接收所述服务端根据联邦平均算法将所述多个模型梯度参数进行融合得到的全局梯度参数。
详细地,本发明实施例中,各参与方将经过本地训练获得的梯度模型参数发送给服务端,所述服务端采用采用联邦平均算法将所述多个模型梯度参数进行融合,得到全局梯度参数,并将所述全局梯度参数加密传输至各参与方,可以保证各参与方数据的安全和隐私。
详细地,本发明实施例中所述联邦平均算法包括:
其中,W是全局梯度参数,Wk是模型梯度参数,p是参与方的总数量。
S4、使用所述全局梯度参数对所述初始目标检测模型进行更新。
本发明实施例将所述全局梯度参数传输给各所述参与方,各所述参与方将所述初始目标检测模型的模型参数使用所述全体梯度参数进行更新,以所述全体梯度参数替换所述初始目标检测模型中原本的模型参数。
S5、判断更新之后的所述初始目标检测模型是否满足预设的终止训练条件。
本发明实施例中所述预设的终止条件是所述初始目标检测模型的迭代次数达到预设次数。更新后获取迭代次数;在迭代次数未达到预设次数时,确定更新之后的所述初始目标检测模型不满足预设的终止条件;在所述迭代次数达到预设次数时,确定更新之后的所述初始目标检测模型满足预设的终止条件时。
当更新之后的所述初始目标检测模型不满足预设的终止条件时,返回上述S2;
当更新之后的所述初始目标检测模型满足预设的终止条件时,得到训练完成的目标检测模型。
本发明实施例通过对多个参与方进行联合训练,扩大了样本空间,从而提升了模型的准确性。
S6、使用所述目标检测模型对待检测图像进行目标检测。
详细地,本发明实施例可以使用所述目标检测模型根据预设目标对象对待检测图像进行检测,并将检测结果反馈给用户。
本发明实施例中所述目标检测模型是一种端到端的轻量级目标检测模型,检测速度较快,同时采用联合训练方案优化了该模型的准确性,可以实现快速且准确的目标对象检测,能够应用于危险情况及时反应,特别是在安防要求很高的工厂中,可以快速准确地检测出危险情况,如火苗、烟雾等,从而避免险情发生。
本发明实施例采用随机权重对预构建的初始目标检测模型进行剪枝处理,将多层网络结构的模型优化为轻量级模型,减轻了计算量,提高了模型的检测速度;同时基于联邦学习技术对所述所述轻量级目标检测模型进行训练,即保证了本地数据集的隐秘性,又扩大了模型的训练数据集,从而提升了所述轻量级目标检测模型的准确性。因此本发明提出的基于联邦学习的目标检测方法、装置及计算机可读存储介质,可以提高目标检测的检测速度和检测准确性。
如图4所示,是本发明基于联邦学习的目标检测装置的模块示意图。
本发明所述基于联邦学习的目标检测装置100可以安装于电子设备中。根据实现的功能,所述基于联邦学习的目标检测装置可以包括剪枝模块101、本地训练模块102、参数融合模块103、参数更新模块104和检测模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述剪枝模块101,用于采用随机权重对预构建的初始目标检测模型进行剪枝处理,得到轻量级目标检测模型。
本发明实施例中所述初始目标检测模型是一种基于卷积神经网络的检测模型。
可选地,本发明实施例在采用随机权重对预构建的初始目标检测模型进行剪枝处理之前,还包括:获取样本数据,将所述样本数据输入至所述初始目标检测模型,确定所述初始目标检测模型中各卷积层的输出数据。
详细地,所述剪枝模块101具体用于:
获取所述初始目标检测模型中各卷积层的权重;
根据所述权重确定各卷积层的优先级;
根据各卷积层的优先级进行剪枝,得到剪枝后的初始目标检测模型;
计算所述剪枝后的初始目标检测模型的目标函数;
判断所述目标函数是否满足预设的停止条件;
停止剪枝,得到轻量级目标检测模型。
所述目标函数不满足预设的停止条件时,返回上述根据所述权重确定各卷积层的优先级的操作;或者
若所述目标函数满足预设的停止条件,执行停止剪枝,得到轻量级目标检测模型。
其中,所述权重是预先赋予给每个卷积层不同的数值,本实施例中,所述权重的数值范围为0至1。所述停止条件可以是所述目标函数的值不再下降。
可选地,本发明实施例利用下述公式确定各卷积层的优先级:
Wj=gatej×outputj-1
其中,j是卷积层的层数,Wj是卷积层j的优先级,gatej是卷积层j的权重,outputj-1是卷积层j的上层输出,即卷积层j的输入数据。
进一步地,所述根据各卷积层的优先级进行剪枝,包括:
将所述各卷积层的优先级与预设阈值进行比较;
当所述优先级大于或者等于所述阈值时,保留所述优先级对应的卷积层;
当所述优先级小于所述阈值时,将所述优先级对应的卷积层在所述初始目标检测模型中删除。
本发明实施例中预设设置一个可变全局阈值λ,当卷积层j的优先级Wj≤λ时,在所述初始目标检测模型中将卷积层j进行删除。其中,所述全局阈值λ的大小与所述初始目标检测模型中的总层数相关,当所述初始目标检测模型中的总层数降低时,λ也会随之减小。
进一步地,本发明实施例使用下述公式计算所述目标函数:
其中,f(xi;W,α)是所述初始目标检测模型的输出结果,xi为样本数据,W为所述初始目标检测模型的参数,α为所述初始目标检测模型的结构表示,N是样本数据的总数,yi表示样本数据xi对应的实际标签,ω是平衡参数,为常数,M是所述初始目标检测模型中的卷积层数,gatej是卷积层j的权重。
所述初始目标检测模型在剪枝后,计算速度得到了提升,但同时模型的准确度也会下降,为了保证模型的准确度,使用目标函数来检测所述初始目标检测模型的剪枝效果,确保所述轻量级目标检测模型的检测速度和检测准确度。
所述初始目标检测模型中包含多个卷积层、池化层、全连接层,各层中都包含大量的权重参数,在实际使用过程中需要进行大量计算,导致识别速度较慢,本发明实施例通过剪枝,去除所述初始目标检测模型中的冗余部分,减少计算量,提高效率。
所述本地训练模块102,用于基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,并将所述模型梯度梯度参数发送给服务端。
本发明实施例使用了联邦学习算法对所述轻量级目标检测模型进行训练。所述联邦学习算法利用多个参与方联合训练,其中所述参与方可以是客户端,拥有自己的本地数据集,并只使用自己拥有的数据集来训练机器学习模型。
所述本地数据集是各参与方保存在本地的数据集,与其他各参与方的数据集具有相同的特征,但数据内容并不相同。
可选地,在对所述轻量级目标检测模型进行训练之前,本发明实施例还包括对本地数据集进行初始化,具体包括:
在所述本地数据集内标注出目标对象识别框;
在所述标注后的数据集中添加目标对象的类别标签。
详细地,各参与方首先约定好目标对象的类别,可以有多个类别,各参与方在本地数据集内将目标对象用识别框标注出来,再确定目标对象的类别,为目标对象添加类别标签,便于后续的训练。
详细地,所述基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,包括:
步骤A:将所述本地数据集输入至所述轻量级目标检测模型,得到所述轻量级目标检测模型的输出结果;
步骤B:利用预设的损失函数计算所述输出结果的损失值;
步骤C:判断所述损失值是否收敛;
步骤D:根据所述损失值对所述轻量级目标检测模型的参数进行调整,并返回上述的步骤A;
步骤E:将所述轻量级目标检测模型的参数确定为模型梯度参数。其中,当步骤C的判断结果为所述损失值没有收敛时,执行步骤D:根据所述损失值对所述轻量级目标检测模型的参数进行调整,并返回上述的步骤A:;
若所述损失值收敛时,则执行步骤E:将所述轻量级目标检测模型的参数确定为模型梯度参数。
本发明实施例中,所述损失值收敛是指所述损失值维持不变。所述根据所述损失值对所述轻量级目标检测模型的参数进行调整是根据所述损失值对所述轻量级目标检测模型进行反向传播,并计算各卷积层梯度,根据梯度计算更新量,使用原始参数减去更新量作为新参数。
进一步地,所述将所述本地数据集输入至所述轻量级目标检测模型,得到所述轻量级目标检测模型的输出结果,包括:
将所述本地数据集进行均匀分块,得到多个特征块;
提取每个所述特征块中的特征数据,并根据所述特征数据生成多个预测边框;
对所述多个预测边框进行目标识别,输出预测目标类别以及与所述预测目标类别对应的预测概率。
进入所述轻量级目标检测模型的本地数据集首先被均匀分块,分块的大小决定了图片检测的精细粒度,使每个特征块中使用多个预测边界框预测各边框中是否存在预先标注的目标对象,并分别预测目标对象的类别以及对应的概率。详细地,本发明实施例所述利用预设的损失函数计算所述输出结果的损失值,包括:
根据所述输出结果计算边框坐标位置误差、预测准确度误差和预测类别误差;
利用预设的损失函数根据所述边框坐标位置误差、所述预测准确度误差和所述预测类别误差计算得到损失值。
本发明实施例所述预设的损失函数可以通过将所述边框坐标位置误差、所述预测准确度误差和所述预测类别误差合并得到,通过计算所述损失函数可以综合所述输出结果多方面的误差,得到损失值。
进一步地,本发明实施例使用下述公式计算所述损失函数:
其中,上述损失函数中,第一个加号之前的部分表示包含目标对象的边框坐标位置预测误差,第二个加号之后的部分表示包含目标对象的边框的预测准确度误差,第三个加号之后的部分表示预测类别误差,进一步地,M是特征块总数,H是预测边框总数量,xmi是第m个特征块中预测边框i的向量表示,为第m个特征块中预测边框i的位置,为第m个特征块中该边框的实际标注位置;表示第m个特征块中预测边框i的预测准确度,表示第m个特征块中该边界框的实际标注的准确度;xm是特征块m的向量表示,N是目标类别总数,P(Nj)pred表示目标类别j的预测概率,P(Nj)true表示目标类别j的实际概率。
所述参数融合模块103,用于接收所述服务端根据联邦平均算法将所述多个模型梯度参数进行融合得到的全局梯度参数。
详细地,本发明实施例中,各参与方将经过本地训练获得的梯度模型参数发送给服务端,所述服务端采用采用联邦平均算法将所述多个模型梯度参数进行融合,得到全局梯度参数,并将所述全局梯度参数加密传输至各参与方,可以保证各参与方数据的安全和隐私。
详细地,本发明实施例中所述联邦平均算法包括:
其中,W是全局梯度参数,Wk是模型梯度参数,p是参与方的总数量。
所述参数更新模块104,用于使用所述全局梯度参数对所述初始目标检测模型进行更新;
判断更新之后的所述初始目标检测模型是否满足预设的终止训练条件。
本发明实施例将所述全局梯度参数传输给各所述参与方,各所述参与方将所述初始目标检测模型的模型参数使用所述全体梯度参数进行更新,以所述全体梯度参数替换所述初始目标检测模型中原本的模型参数。
本发明实施例中所述预设的终止条件是所述初始目标检测模型的迭代次数达到预设次数。更新后获取迭代次数;在迭代次数未达到预设次数时,确定更新之后的所述初始目标检测模型不满足预设的终止条件;在所述迭代次数达到预设次数时,确定更新之后的所述初始目标检测模型满足预设的终止条件时。
当更新之后的所述初始目标检测模型不满足预设的终止条件时,返回上述本地训练模块102;
当更新之后的所述初始目标检测模型满足预设的终止条件时,得到训练完成的目标检测模型。
其中,所述预设的终止条件是所述初始目标检测模型收敛或者迭代次数达到预设次数。
本发明实施例通过对多个参与方进行联合训练,扩大了样本空间,从而提升了模型的准确性。
所述检测模块105,用于使用所述目标检测模型对待检测图像进行目标检测。
详细地,本发明实施例可以使用所述目标检测模型根据预设目标对象对待检测图像进行检测,并将检测结果反馈给用户。
本发明实施例中所述目标检测模型是一种端到端的轻量级目标检测模型,检测速度较快,同时采用联合训练方案优化了该模型的准确性,可以实现快速且准确的目标对象检测,能够应用于危险情况及时反应,特别是在安防要求很高的工厂中,可以快速准确地检测出危险情况,如火苗、烟雾等,从而避免险情发生。
如图5所示,是本发明实现基于联邦学习的目标检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于联邦学习的目标检测程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于联邦学习的目标检测程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于联邦学习的目标检测程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于联邦学习的目标检测程序12是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
采用随机权重对预构建的初始目标检测模型进行剪枝处理,得到轻量级目标检测模型;
基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,并将所述模型梯度参数发送给服务端;
接收所述服务端根据联邦平均算法将所述模型梯度参数进行融合得到的全局梯度参数;
使用所述全局梯度参数对所述初始目标检测模型进行更新,并返回上述基于本地数据集对所述轻量级目标检测模型进行训练的步骤,直到所述轻量级目标检测模型满足预设的终止条件,得到训练完成的目标检测模型;
使用所述目标检测模型对待检测图像进行目标检测。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于联邦学习的目标检测方法,其特征在于,所述方法应用联邦学习的参与方中,包括:
采用随机权重对预构建的初始目标检测模型进行剪枝处理,得到轻量级目标检测模型;
基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,并将所述模型梯度参数发送给服务端;
接收所述服务端根据联邦平均算法将所述模型梯度参数进行融合得到的全局梯度参数;
使用所述全局梯度参数对所述初始目标检测模型进行更新,并返回上述基于本地数据集对所述轻量级目标检测模型进行训练的步骤,直到所述轻量级目标检测模型满足预设的终止条件,得到训练完成的目标检测模型;
使用所述目标检测模型对待检测图像进行目标检测。
2.如权利要求1所述的基于联邦学习的目标检测方法,其特征在于,所述采用随机权重对预构建的初始目标检测模型进行剪枝处理,包括:
获取所述初始目标检测模型中各卷积层的权重;
根据所述权重确定各卷积层的优先级;
根据各卷积层的优先级进行剪枝,得到剪枝后的初始目标检测模型;
计算所述剪枝后的初始目标检测模型的目标函数;
返回上述根据所述权重确定各卷积层的优先级的步骤,直到所述目标函数满足预设的停止条件时停止剪枝。
3.如权利要求2所述的基于联邦学习的目标检测方法,其特征在于,所述根据各卷积层的优先级进行剪枝,包括:
将所述各卷积层的优先级与预设阈值进行比较;
当所述优先级小于所述阈值时,将所述优先级对应的卷积层在所述初始目标检测模型中删除。
4.如权利要求1所述的基于联邦学习的目标检测方法,其特征在于,所述基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,包括:
将所述本地数据集输入至所述轻量级目标检测模型,得到所述轻量级目标检测模型的输出结果;
利用预设的损失函数计算所述输出结果的损失值;
根据所述损失值对所述轻量级目标检测模型的参数进行调整,直到所述损失值维持不变时,将所述轻量级目标检测模型的参数确定为模型梯度参数。
5.如权利要求4所述的基于联邦学习的目标检测方法,其特征在于,所述将所述本地数据集输入至所述轻量级目标检测模型,得到所述轻量级目标检测模型的输出结果,包括:
将所述本地数据集进行均匀分块,得到多个特征块;
提取每个所述特征块中的特征数据,并根据所述特征数据生成多个预测边框;
对所述多个预测边框进行目标识别,输出预测目标类别以及与所述预测目标类别对应的预测概率。
6.如权利要求5所述的基于联邦学习的目标检测方法,其特征在于,所述利用预设的损失函数计算所述输出结果的损失值,包括:
根据所述输出结果计算边框坐标位置误差、预测准确度误差和预测类别误差;
利用预设的损失函数根据所述边框坐标位置误差、所述预测准确度误差和所述预测类别误差计算得到损失值。
8.一种基于联邦学习的目标检测装置,其特征在于,所述装置包括:
剪枝模块,用于采用随机权重对预构建的初始目标检测模型进行剪枝处理,得到轻量级目标检测模型;
本地训练模块,用于基于本地数据集对所述轻量级目标检测模型进行训练,得到对应的多个模型梯度参数,并将所述模型梯度参数发送给服务端;
参数融合模块,用于接收所述服务端根据联邦平均算法将所述模型梯度参数进行融合得到的全局梯度参数;
参数更新模块,用于使用所述全局梯度参数对所述初始目标检测模型进行更新,并返回上述基于本地数据集对所述轻量级目标检测模型进行训练的步骤,直到所述轻量级目标检测模型满足预设的终止条件,得到训练完成的目标检测模型;
检测模块,用于使用所述目标检测模型对待检测图像进行目标检测。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一所述的基于联邦学习的目标检测方法。
10.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的基于联邦学习的目标检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125718.5A CN112257774B (zh) | 2020-10-20 | 2020-10-20 | 基于联邦学习的目标检测方法、装置、设备及存储介质 |
PCT/CN2020/131986 WO2021189906A1 (zh) | 2020-10-20 | 2020-11-27 | 基于联邦学习的目标检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125718.5A CN112257774B (zh) | 2020-10-20 | 2020-10-20 | 基于联邦学习的目标检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257774A true CN112257774A (zh) | 2021-01-22 |
CN112257774B CN112257774B (zh) | 2024-03-15 |
Family
ID=74245443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011125718.5A Active CN112257774B (zh) | 2020-10-20 | 2020-10-20 | 基于联邦学习的目标检测方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112257774B (zh) |
WO (1) | WO2021189906A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033652A (zh) * | 2021-03-23 | 2021-06-25 | 电子科技大学 | 一种基于区块链与联邦学习的图像识别***及方法 |
CN113139662A (zh) * | 2021-04-23 | 2021-07-20 | 深圳市大数据研究院 | 联邦学习的全局及局部梯度处理方法、装置、设备和介质 |
CN113179244A (zh) * | 2021-03-10 | 2021-07-27 | 上海大学 | 一种面向工业互联网边界安全的联邦深度网络行为特征建模方法 |
CN113344221A (zh) * | 2021-05-10 | 2021-09-03 | 上海大学 | 一种基于神经网络架构搜索的联邦学习方法及*** |
CN113364543A (zh) * | 2021-06-03 | 2021-09-07 | 厦门大学 | 一种基于联邦强化学习的边缘计算模型训练方法 |
CN113379708A (zh) * | 2021-02-26 | 2021-09-10 | 山东大学 | 一种基于联邦学习的空调外机外观检测方法及*** |
CN114339252A (zh) * | 2021-12-31 | 2022-04-12 | 深圳大学 | 一种数据压缩方法及装置 |
CN114782738A (zh) * | 2022-03-25 | 2022-07-22 | 苏州浪潮智能科技有限公司 | 联邦学习安全检测方法、装置、电子设备及可读存储介质 |
CN114782758A (zh) * | 2022-06-21 | 2022-07-22 | 平安科技(深圳)有限公司 | 图像处理模型训练方法、***、计算机设备及存储介质 |
CN116523081A (zh) * | 2023-04-07 | 2023-08-01 | 花瓣云科技有限公司 | 数据标准化方法和装置 |
CN114782738B (zh) * | 2022-03-25 | 2024-06-25 | 苏州浪潮智能科技有限公司 | 联邦学习安全检测方法、装置、电子设备及可读存储介质 |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836819B (zh) * | 2021-01-26 | 2023-07-25 | 北京奇艺世纪科技有限公司 | 一种神经网络模型生成方法及装置 |
CN113950046B (zh) * | 2021-10-19 | 2022-05-03 | 北京工商大学 | 一种基于联邦学习的异构拓扑网络可信加密定位方法 |
CN114187006A (zh) * | 2021-11-03 | 2022-03-15 | 杭州未名信科科技有限公司 | 一种基于区块链监管的联邦学习方法 |
CN114077901B (zh) * | 2021-11-23 | 2024-05-24 | 山东大学 | 一种基于聚类的图联邦学习的用户位置预测方法 |
CN114117926B (zh) * | 2021-12-01 | 2024-05-14 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的机器人协同控制算法 |
CN114219147B (zh) * | 2021-12-13 | 2024-06-07 | 南京富尔登科技发展有限公司 | 一种基于联邦学习的配电站故障预测方法 |
CN114553869A (zh) * | 2022-02-11 | 2022-05-27 | 新智我来网络科技有限公司 | 基于联合学习的确定资源贡献度的方法、装置和电子设备 |
CN114547658B (zh) * | 2022-03-02 | 2024-06-04 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN114595888A (zh) * | 2022-03-10 | 2022-06-07 | 广西中烟工业有限责任公司 | 一种烟草制丝生产线的工艺控制参数的预测方法及装置 |
CN114841364B (zh) * | 2022-04-14 | 2024-06-14 | 北京理工大学 | 一种满足个性化本地差分隐私需求的联邦学习方法 |
CN114764601B (zh) * | 2022-05-05 | 2024-01-30 | 北京瑞莱智慧科技有限公司 | 一种梯度数据融合方法、装置及存储介质 |
CN115081014A (zh) * | 2022-05-31 | 2022-09-20 | 西安翔迅科技有限责任公司 | 一种基于联邦学习的目标检测标签自动标注方法 |
CN115017351B (zh) * | 2022-05-31 | 2024-05-10 | 杭州卷积云科技有限公司 | 基于联邦小样本学习的轻量工业图片分类方法及*** |
CN115049058B (zh) * | 2022-08-17 | 2023-01-20 | 北京智芯微电子科技有限公司 | 拓扑识别模型的压缩方法、装置、电子设备及介质 |
CN115694877B (zh) * | 2022-08-30 | 2023-08-15 | 电子科技大学长三角研究院(衢州) | 一种基于联邦偏好学习的空间众包任务分配方法 |
CN115186937B (zh) * | 2022-09-09 | 2022-11-22 | 闪捷信息科技有限公司 | 基于多方数据协同的预测模型训练、数据预测方法和装置 |
CN115410190B (zh) * | 2022-11-02 | 2023-04-14 | 平安银行股份有限公司 | 车牌图像角点检测模型训练方法、车牌脱敏方法及其设备 |
CN115577858B (zh) * | 2022-11-21 | 2023-04-07 | 山东能源数智云科技有限公司 | 基于区块链的碳排放量预测方法、装置及电子设备 |
CN116032431B (zh) * | 2023-02-06 | 2023-09-12 | 哈尔滨工业大学(深圳) | 针对分布式学习的通信压缩方法以及相关设备 |
CN116132184A (zh) * | 2023-02-17 | 2023-05-16 | 中国工商银行股份有限公司 | 分布式拒绝服务攻击的检测方法、装置和服务器 |
CN116503420B (zh) * | 2023-04-26 | 2024-05-14 | 佛山科学技术学院 | 一种基于联邦学习的图像分割方法及相关设备 |
CN116756764B (zh) * | 2023-05-04 | 2024-06-04 | 浙江大学 | 一种面向光刻热点检测的模型分块聚合隐私保护方法 |
CN116596865B (zh) * | 2023-05-05 | 2024-04-16 | 深圳市大数据研究院 | 缺陷检测方法、***及机器人 |
CN116258420B (zh) * | 2023-05-11 | 2023-08-01 | 中南大学 | 一种产品质量检测方法、装置、终端设备及介质 |
CN116432867A (zh) * | 2023-06-09 | 2023-07-14 | 日照鲁光电子科技有限公司 | 一种二极管制备控制优化方法及*** |
CN117237804B (zh) * | 2023-09-15 | 2024-02-13 | 江苏三棱智慧物联发展股份有限公司 | 基于联邦学习的烟火识别***及方法 |
CN117688425A (zh) * | 2023-12-07 | 2024-03-12 | 重庆大学 | 面向Non-IID图数据的多任务图分类模型构建方法及*** |
CN117575423B (zh) * | 2024-01-10 | 2024-04-16 | 湖南工商大学 | 基于联邦学习***的工业产品质量检测方法及相关设备 |
CN117579399B (zh) * | 2024-01-17 | 2024-05-14 | 北京智芯微电子科技有限公司 | 异常流量检测模型的训练方法和***、异常流量检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309847A (zh) * | 2019-04-26 | 2019-10-08 | 深圳前海微众银行股份有限公司 | 一种模型压缩方法及装置 |
CN111461291A (zh) * | 2020-03-13 | 2020-07-28 | 西安科技大学 | 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法 |
WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于深度学习的行人检测方法、***、装置及存储介质 |
CN111598238A (zh) * | 2020-07-17 | 2020-08-28 | 支付宝(杭州)信息技术有限公司 | 深度学习模型的压缩方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754105B (zh) * | 2017-11-07 | 2024-01-05 | 华为技术有限公司 | 一种预测方法及终端、服务器 |
CN111126627B (zh) * | 2019-12-25 | 2023-07-04 | 四川新网银行股份有限公司 | 基于分离度指数的模型训练*** |
CN111310932A (zh) * | 2020-02-10 | 2020-06-19 | 深圳前海微众银行股份有限公司 | 横向联邦学习***优化方法、装置、设备及可读存储介质 |
CN111382706A (zh) * | 2020-03-10 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 基于联邦学习的预测方法、装置、存储介质及遥感设备 |
-
2020
- 2020-10-20 CN CN202011125718.5A patent/CN112257774B/zh active Active
- 2020-11-27 WO PCT/CN2020/131986 patent/WO2021189906A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020164270A1 (zh) * | 2019-02-15 | 2020-08-20 | 平安科技(深圳)有限公司 | 基于深度学习的行人检测方法、***、装置及存储介质 |
CN110309847A (zh) * | 2019-04-26 | 2019-10-08 | 深圳前海微众银行股份有限公司 | 一种模型压缩方法及装置 |
CN111461291A (zh) * | 2020-03-13 | 2020-07-28 | 西安科技大学 | 基于YOLOv3剪枝网络和深度学习去雾模型的长输管线巡检方法 |
CN111598238A (zh) * | 2020-07-17 | 2020-08-28 | 支付宝(杭州)信息技术有限公司 | 深度学习模型的压缩方法及装置 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379708A (zh) * | 2021-02-26 | 2021-09-10 | 山东大学 | 一种基于联邦学习的空调外机外观检测方法及*** |
CN113179244A (zh) * | 2021-03-10 | 2021-07-27 | 上海大学 | 一种面向工业互联网边界安全的联邦深度网络行为特征建模方法 |
CN113033652A (zh) * | 2021-03-23 | 2021-06-25 | 电子科技大学 | 一种基于区块链与联邦学习的图像识别***及方法 |
CN113139662B (zh) * | 2021-04-23 | 2023-07-14 | 深圳市大数据研究院 | 联邦学习的全局及局部梯度处理方法、装置、设备和介质 |
CN113139662A (zh) * | 2021-04-23 | 2021-07-20 | 深圳市大数据研究院 | 联邦学习的全局及局部梯度处理方法、装置、设备和介质 |
CN113344221A (zh) * | 2021-05-10 | 2021-09-03 | 上海大学 | 一种基于神经网络架构搜索的联邦学习方法及*** |
CN113364543A (zh) * | 2021-06-03 | 2021-09-07 | 厦门大学 | 一种基于联邦强化学习的边缘计算模型训练方法 |
CN113364543B (zh) * | 2021-06-03 | 2022-03-15 | 厦门大学 | 一种基于联邦强化学习的边缘计算模型训练方法 |
CN114339252A (zh) * | 2021-12-31 | 2022-04-12 | 深圳大学 | 一种数据压缩方法及装置 |
CN114339252B (zh) * | 2021-12-31 | 2023-10-31 | 深圳大学 | 一种数据压缩方法及装置 |
CN114782738A (zh) * | 2022-03-25 | 2022-07-22 | 苏州浪潮智能科技有限公司 | 联邦学习安全检测方法、装置、电子设备及可读存储介质 |
CN114782738B (zh) * | 2022-03-25 | 2024-06-25 | 苏州浪潮智能科技有限公司 | 联邦学习安全检测方法、装置、电子设备及可读存储介质 |
CN114782758B (zh) * | 2022-06-21 | 2022-09-02 | 平安科技(深圳)有限公司 | 图像处理模型训练方法、***、计算机设备及存储介质 |
CN114782758A (zh) * | 2022-06-21 | 2022-07-22 | 平安科技(深圳)有限公司 | 图像处理模型训练方法、***、计算机设备及存储介质 |
CN116523081A (zh) * | 2023-04-07 | 2023-08-01 | 花瓣云科技有限公司 | 数据标准化方法和装置 |
CN116523081B (zh) * | 2023-04-07 | 2024-02-13 | 花瓣云科技有限公司 | 数据标准化方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2021189906A1 (zh) | 2021-09-30 |
CN112257774B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257774A (zh) | 基于联邦学习的目标检测方法、装置、设备及存储介质 | |
CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
CN112446544A (zh) | 交通流预测模型训练方法、装置、电子设备及存储介质 | |
CN111814962A (zh) | 识别模型的参数获取方法、装置、电子设备及存储介质 | |
CN111783982B (zh) | 攻击样本的获取方法、装置、设备及介质 | |
CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
CN112801718A (zh) | 用户行为预测方法、装置、设备及介质 | |
CN113946690A (zh) | 潜在客户挖掘方法、装置、电子设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN114511038A (zh) | 虚假新闻检测方法、装置、电子设备及可读存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN112269875B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
WO2022095519A1 (zh) | 通关检验方法、装置、电子设备及计算机可读存储介质 | |
CN114494800A (zh) | 预测模型训练方法、装置、电子设备及存储介质 | |
CN114187489A (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
CN113658002A (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
CN113627160A (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN113313211A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113157739A (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
CN112396547A (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN116630712A (zh) | 基于模态组合的信息分类方法、装置、电子设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |