一种神经网络模型的调整系统、方法及设备技术方案

本发明专利技术实施例提供了一种神经网络模型的调整系统、方法及设备，本方案中，第一方面，服务端基于各客户端发送的样本图像调整泛化模型，各客户端分别对应不同的场景，也就是说，服务端基于多场景图像调整泛化模型，因此该泛化模型能够适用于多个场景，提高了泛化模型在不同场景的输出准确率；第二方面，客户端利用其自身场景的私有样本图像对泛化模型进行调整，得到数据处理模型，该数据处理模型能够兼备适用多场景的泛化性能、以及对特定场景的更强的适用性，或者说，该数据处理模型兼备了通用性和私用性，提高了数据处理模型在不同场景的输出准确率。

【技术实现步骤摘要】
一种神经网络模型的调整系统、方法及设备
本专利技术涉及机器学习
，特别是涉及一种神经网络模型的调整系统、方法及设备。
技术介绍
机器学习已被广泛应用于各种领域，例如，图像分类、目标检测、自然语言处理等等。机器学习的过程中，可以利用样本图像对神经网络进行训练，训练过程也就是对神经网络中的网络参数进行迭代调整的过程，训练完成后得到的神经网络模型可以用于图像分类、目标检测、自然语言处理等等。相关的机器学习方案中，通常是基于同一场景采集的样本图像对神经网络进行训练，这样，训练完成后得到的神经网络模型的泛化性能较差，泛化性能可以理解为神经网络模型对不同场景的适应能力，泛化性能较差的神经网络模型在其不适应的场景中输出准确率较低。以目标检测模型为例来说，目标检测模型可以识别图像中的人员、车辆、交通指示牌等各种目标。例如，基于在交通场景中采集的样本图像对神经网络进行训练，得到目标检测模型；利用该目标检测模型对在交通场景中采集的图像进行目标检测，准确度较高；但利用该目标检测模型对楼宇场景中采集的图像进行目标检测，准确度较低。本文档来自技高网...

【技术保护点】
1.一种神经网络模型的调整系统，其特征在于，包括：服务端和多个客户端，各个客户端分别对应不同的场景；其中，/n所述服务端，用于将泛化模型发送给各个客户端；/n所述客户端，用于获取在其对应的场景中采集的样本图像，作为私有样本图像；利用所述私有样本图像对所述泛化模型进行调整，得到数据处理模型；将所述私有样本图像发送给所述服务端；/n所述服务端，还用于基于所述各个客户端发送的私有样本图像，调整所述泛化模型，将调整后的泛化模型发送至所述各个客户端。/n

【技术特征摘要】
1.一种神经网络模型的调整系统，其特征在于，包括：服务端和多个客户端，各个客户端分别对应不同的场景；其中，
所述服务端，用于将泛化模型发送给各个客户端；
所述客户端，用于获取在其对应的场景中采集的样本图像，作为私有样本图像；利用所述私有样本图像对所述泛化模型进行调整，得到数据处理模型；将所述私有样本图像发送给所述服务端；
所述服务端，还用于基于所述各个客户端发送的私有样本图像，调整所述泛化模型，将调整后的泛化模型发送至所述各个客户端。


2.根据权利要求1所述的系统，其特征在于，
所述服务端，还用于将加密模型发送给所述各个客户端；
所述客户端，还用于利用所述加密模型对自身的私有样本图像进行加密，得到加密数据；将所述加密数据发送至所述服务端；
所述服务端，还用于基于所述各个客户端发送的加密数据，调整所述泛化模型。


3.根据权利要求2所述的系统，其特征在于，所述加密模型包括特征提取模型；
所述客户端，还用于通过利用所述特征提取模型对所述私有样本图像进行特征提取，得到加密数据。


4.根据权利要求3所述的系统，其特征在于，所述加密模型还包括压缩编码模型；
所述客户端，还用于利用所述特征提取模型对所述私有样本图像进行特征提取，得到所述私有样本图像的特征；利用所述压缩编码模型对所述私有样本图像的特征进行压缩编码，得到编码后的特征；将所述编码后的特征作为加密数据发送至所述服务端；
所述服务端，还用于通过解码模型对所述编码后的特征进行解码，得到解码后的特征，基于所述解码后的特征，调整所述泛化模型。


5.根据权利要求3或4所述的系统，其特征在于，所述泛化模型包括底层模型和高层模型，所述底层模型为靠近输入层的部分模型，所述高层模型为靠近输出层的部分模型；所述特征提取模型为所述底层模型。


6.一种神经网络模型的调整方法，其特征在于，应用于第一客户端，所述方法包括：
接收服务端发送的泛化模型，所述泛化模型为所述服务端基于多个客户端发送的加密数据调整得到的，各客户端分别对应不同的场景；
获取在所述第一客户端对应的场景中采集的样本图像，作为私有样本图像；
利...

【专利技术属性】
技术研发人员：黄博，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33