一种基于横向联邦学习框架的目标检测方法技术

本发明专利技术公开了一种基于横向联邦学习框架的目标检测方法，包括构建横向联邦学习框架，框架包括客户端检测模型、中心服务网络和数据集；为每个客户端检测模型分配独立的数据集，并通过该数据集对模型进行训练；对客户端检测模型训练过程中使用的梯度下降算法进行优化，加快模型的收敛速度；提取出已训练模型的参数，并通过差分隐私策略将这些参数传输到中心服务网络；对中心服务网络进行训练，并得到参数聚合后的模型参数返回给各个客户端检测模型，客户端检测模型再根据返回的参数更新模型；使用更新后的模型进行检测。本发明专利技术采用基于横向联邦学习框架的目标检测方法，能够解决现有目标检测方法准确率和效率低，数据的私密性得不到保护的问题。性得不到保护的问题。性得不到保护的问题。

【技术实现步骤摘要】
一种基于横向联邦学习框架的目标检测方法


[0001]本专利技术涉及目标检测
，尤其是涉及一种基于横向联邦学习框架的目标检测方法。

技术介绍

[0002]随着信息化社会的到来，计算机视觉技术逐渐改变了人类的生活方式。常见的应用场景有电子支付、医疗图像检测和天眼系统等。大量的复杂视觉信息数据为计算机的处理分析能力提供了丰富的样本，同时也带来了严峻的挑战。目标检测是计算机视觉领域的重要课题之一，其任务是在图像中对感兴趣目标进行分类并标注出对应位置。近些年，深度学习的发展为计算机视觉领域提供了强大的驱动力，它具有高效学习和覆盖范围广的特点。因此，人们逐渐将深度学习应用于目标检测任务中并取得了很好的效果。
[0003]在传统的目标检测算法中，候选框定位、特征提取和分类器判定是研究的重点。检测步骤可概括为：先通过滑动窗口方法进行图像的目标定位，再使用特征提取算法进行特征提取，最后通过分类器进行判定。常见的分类器有支持向量机、Adaboost等。尽管传统方法的检测流程简单易懂，但是有两个明显的问题待解决：1)区域选择模块没有采用针对性的策略，导致生成重复无效的窗口和区域选择时间过长。2)特征提取模块提取的特征是人为设计的，这类特征鲁棒性能较差，直接对分类的准确率产生影响。
[0004]深度学习的出现使得目标检测领域实现了质的提升。基于深度学习的目标检测算法将分类器和卷积神经网络的优势互相结合，可以增强检测模型特征提取和高效分类的能力。Faster R
‑
CNN是目前使用较多的目标检测模型，它通过区域生成网络能够更高效准确的获取候选框。并且可以在该模型中嵌入特征图金字塔网络用于解决物体检测中的多尺度问题，在基本不增加原有模型计算量的情况下，通过改变网络的连接方式大幅提升了检测效果。
[0005]在实际生活中，目标检测被广泛应用到区域监控、交通管理等多个领域。而在这些应用中常常需要多个模型间进行数据交换与协作，从而形成一个增强的区域联合检测网络。例如在交通标志检测中，每个检测点都会搜集图片用于局部模型训练，但是由于搜集到的图片数据量较少并不能保证检测效果很理想。另外，在目标检测过程中，数据的私密性得不到保护。

技术实现思路

[0006]本专利技术的目的是提供一种基于横向联邦学习框架的目标检测方法，解决现有目标检测方法准确率和效率低，数据的私密性得不到保护的问题。
[0007]为实现上述目的，本专利技术提供了一种基于横向联邦学习框架的目标检测方法，包括以下步骤：
[0008]S1、构建横向联邦学习框架，框架包括客户端检测模型、中心服务网络和数据集；
[0009]S2、为每个客户端检测模型分配独立的同源数据集，并通过该数据集对模型进行
训练；
[0010]S3、对客户端检测模型训练过程中使用梯度下降算法进行优化，加快模型的收敛速度；
[0011]S4、提取出已训练的客户端检测模型的参数，并通过差分隐私策略将这些参数传输到中心服务网络；
[0012]S5、对中心服务网络进行训练，并得到参数聚合后的客户端检测模型参数返回给各个客户端检测模型，客户端检测模型再根据返回的参数更新客户端检测模型，使用更新后的客户端检测模型进行检测。
[0013]优选的，所述步骤S1中，选择Faster R
‑
CNN作为基础的客户端检测模型，并将FPN网络嵌入到模型中，用于生成不同尺度的特征图。
[0014]优选的，所述步骤S3中，在训练过程中使用Adam算法进行优化，Adam算法利用参数的历史梯度均值m
t
和参数历史梯度平方和均值v
t
实现自适应调整学习率，并保持每时刻都能学习到信息；两个均值的计算公式如下：
[0015]m
t
＝β1m
t
‑1+(1
‑
β1)g
t
[0016]v
t
＝β2v
t
‑1+(1
‑
β2)g
t2
[0017]其中，β1、β2表示衰减因子，g
t
为t时刻θ
t
的梯度值；
[0018]取β1＝0.9，β2＝0.999，ε＝10
‑8对上式进行修正；
[0019][0020][0021][0022]其中，α为学习率。
[0023]优选的，所述步骤S4中，通过差分隐私策略对数据进行同态加密，防止梯度信息泄漏，用[[x]]表示对x进行加密操作，同态加密公式如下：
[0024][0025]其中，u和v代表明文空间中的任意两个元素，其加密结果为[[u]]和[[v]]，则代表加法或乘法操作，Dec
sk
代表解密操作。
[0026]优选的，所述步骤S5中，基于平均影响度算法实现参数聚合，根据每个客户端检测模型的影响度为其分配权重；数据集数量为m，客户端检测模型个数为n，影响因素矩阵X与输出Y分别表示为：
[0027][0028]Y＝[y
1 y2…
y
m
]T
[0029]首先，对第i个影响因素进行微调δ，δ是指将数值增加或减少10％，两组新的输入和输出分别表示为和
[0030][0031][0032]其次，计算客户端的MIV值，该值代表了当前客户端的相对影响程度，计算公式如下：
[0033][0034]最后，计算每个客户端检测模型对应的贡献度C
i
和平均影响值C，
[0035][0036][0037]本专利技术所述的一种基于横向联邦学习框架的目标检测方法的优点和积极效果是：
[0038]1、本专利技术将横向联邦学习框架应用于目标检测任务中，实现了区域联合检测的目的，通过各区域模型间共享数据来更新参数，相对于传统集中式的训练方法能够更快达到模型收敛。
[0039]2、本专利技术利用了FPN网络具有跨层连接的优点，能够在多尺度的图像上有较好的检测效果。FPN网络共包括三种连接方式：自底向上连接依赖于前向传播，在该过程中经过卷积操作后通常会缩小特征图的尺寸，因此深层特征包含的全局信息较为丰富。自顶向下连接会对深层特征进行上采样，从而扩大特征图的尺寸。侧向连接则是在同一尺寸的层面结合前两者得到的特征图，可以在特征图中同时加强高分辨率信息和高语义信息。
[0040]3、本专利技术在参数聚合时引入了注意力机制，该注意力机制是采用平均影响度(MIV)加权算法实现的，将该算法用于评价各区域模型对联合检测结果的影响程度，并且通过强化影响度大的局部模型和弱化影响度小的局部模型的方式来提升聚合效果。
[0041]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0042]图1为本专利技术一种基于横向联邦学习框架的目标检测方法实施例的流程图；
[0043]图2为本专利技术一种基于横向联邦学习框架的目标检测方法实施例的FPN网络结构图；...

【技术保护点】

【技术特征摘要】
1.一种基于横向联邦学习框架的目标检测方法，其特征在于，包括以下步骤：S1、构建横向联邦学习框架，框架包括客户端检测模型、中心服务网络和数据集；S2、为每个客户端检测模型分配独立的同源数据集，并通过该数据集对模型进行训练；S3、对客户端检测模型训练过程中使用梯度下降算法进行优化，加快模型的收敛速度；S4、提取出已训练的客户端检测模型的参数，并通过差分隐私策略将这些参数传输到中心服务网络；S5、对中心服务网络进行训练，并得到参数聚合后的客户端检测模型参数返回给各个客户端检测模型，客户端检测模型再根据返回的参数更新客户端检测模型，使用更新后的客户端检测模型进行检测。2.根据权利要求1所述的基于横向联邦学习框架的目标检测方法，其特征在于：所述步骤S1中，选择Faster R
‑
CNN作为基础的客户端检测模型，并将FPN网络嵌入到模型中，用于生成不同尺度的特征图。3.根据权利要求1所述的基于横向联邦学习框架的目标检测方法，其特征在于：所述步骤S3中，在训练过程中使用Adam算法进行优化，Adam算法利用参数的历史梯度均值m
t
和参数历史梯度平方和均值v
t
实现自适应调整学习率，并保持每时刻都能学习到信息；两个均值的计算公式如下：m
t
＝β1m
t
‑1+(1
‑
β1)g
t
v
t
＝β2v
t
‑...

【专利技术属性】
技术研发人员：文成林，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：