一种轻量级隐私保护目标检测方法和系统技术方案

本申请公开了一种轻量级隐私保护目标检测方法和系统，将对图像目标检测过程交由两台竞争性服务器并行交互地进行处理，通过加法秘密共享技术将原始图像随机拆分为两个密态图像，分别分发给两台服务器。考虑到安全上采样与目标安全自适应特征融合操作是线性计算，由两台服务器利用安全分量单独计算。而关于图像特征安全提取操作、目标锚框安全聚类检测操作、以及目标安全分类与回归操作的运算，则构造安全的交互函数实现安全目标检测的功能，相比于直接对原始图像进行目标检测，本申请不仅能够实现目标检测的正确性，而且有效保护图像的类别和位置隐私，同时解决密态数据的特征提取以及分类与检测问题。取以及分类与检测问题。取以及分类与检测问题。

【技术实现步骤摘要】
一种轻量级隐私保护目标检测方法和系统


[0001]本申请涉及目标检测技术和加性秘密共享
，尤其涉及一种轻量级隐私保护目标检测方法和系统。

技术介绍

[0002]目标检测是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初2013年提出的R
‑
CNN、OverFeat，到后面的Fast/Faster R
‑
CNN，SSD，YOLO系列，这些算法在开放目标检测数据集上的检测效果和性能都很出色。
[0003]然而当前目标检测模型主要关注于模型的准确率和速度的提升，从而对目标检测过程中数据隐私泄露问题缺乏考虑。

技术实现思路

[0004]本申请的目的在于提供一种轻量级隐私保护目标检测方法和系统，解决了当前目标检测模型主要关注于模型的准确率和速度的提升，缺乏对目标检测过程中数据隐私泄露问题考虑导致数据隐私安全性不足的技术问题。
[0005]有鉴于此，本申请第一方面提供了一种轻量级的隐私保护目标检测方法，包括：
[0006]S1、可信服务器将卷积神经网络的计算参数进行随机拆分，得到第一子计算参数和第二子计算参数；
[0007]S2、所述可信服务器分别将所述第一子计算参数和所述第二子计算参数传递至第一服务器以及第二服务器；
[0008]S3、所述第一服务器以及所述第二服务器基于所述第一子计算参数和所述第二子计算交互地进行图像特征安全提取；
[0009]S4、所述第一服务器以及所述第二服务器基于图像特征安全提取的第一计算结果交互地进行目标锚框安全聚类检测；
[0010]S5、所述第一服务器以及所述第二服务器基于目标锚框安全聚类检测的第二计算结果计算交互地进行目标安全分类与回归；
[0011]S6、所述第一服务器以及所述第二服务器基于目标安全分类与回归的第三计算结果各自进行目标安全上采样与目标安全自适应特征融合线性操作，得到可信服务器的目标检测结果。
[0012]可选地，所述步骤S1具体包括：
[0013]根据加法秘密共享技术原理，可信服务器将卷积神经网络的计算参数进行随机拆分，得到第一子计算参数和第二子计算参数，所述计算参数包括输入数据参数x和模型训练阶段参数w，w
′
，b，σ，μ，as，ylout，其中，输入数据参数x随机拆分为x1和x2，模型训练阶段参数w，w
′
，b，σ，μ，as，ylout，随机拆分为w1，w2，w
′1，w
′2，b1，b2，σ1，σ2，μ1，μ2，as1，as2，ylout1，
ylout2，且满足x＝x1+x2，w＝w1+w2，w
′
＝w
′1+w
′2，b＝b1+b2，σ＝σ1+σ2，μ＝μ1+μ2，as＝as1+as2，ylout＝ylout1+ylout2。
[0014]可选地，所述步骤S3具体包括：
[0015]所述第一服务器以及所述第二服务器对所述第一子计算参数和所述第二子计算参数中的输入数据参数分量x1，x2与模型训练卷积权重参数分量w1，w2交互地执行安全SConv协议，得到卷积结果分量v1，v2；
[0016]所述第一服务器以及所述第二服务器对所述卷积结果分量v1，v2以及模型训练计算参数分量w
′1，w
′2，b1，b2，σ1，σ2，μ1，μ2交互地执行安全SBN协议，得到批量归一化结果分量v
′1，v
′2；
[0017]所述第一服务器以及所述第二服务器对所述批量归一化结果分量v
′1，v
′2交互地执行安全SLRU协议，得到激活结果分量G1，G2；
[0018]基于所述卷积结果分量v1，v2、所述批量归一化结果分量v
′1，v
′2以及所述激活结果分量G1，G2，得到所述可信服务器的卷积结果量v＝v1+v2，批量归一化结果量v
′1＝v
′1+v
′2以及激活结果量G＝G1+G2。
[0019]可选地，所述步骤S4具体包括：
[0020]所述第一服务器以及所述第二服务器对所述激活结果分量G1，G2交互地进行目标锚框安全聚类检测操作，得到聚类结果分量
[0021]基于所述聚类结果分量得到所述可信服务器的聚类结果量
[0022]可选地，所述步骤S5具体包括：
[0023]所述第一服务器以及所述第二服务器对所述聚类结果分量以及模型训练阶段参数as1，as2，ylout1，ylout2交互地进行目标安全分类与回归操作，得到回归结果分量ψ
′1，ψ
′2；
[0024]基于所述回归结果分量ψ
′1，ψ
′2，得到所述可信服务器的回归结果量ψ
′
＝ψ
′1+ψ
′2。
[0025]可选地，所述步骤S6具体包括：
[0026]所述第一服务器以及所述第二服务器对所述回归结果分量ψ
′1，ψ
′2进行目标安全上采样操作，得到目标安全上采样计算结果分量up1，up2，up1＝ψ
′1·
repeat(2)和up2＝ψ
′2·
repeat(2)，其中repeat表示重复函数；
[0027]所述第一服务器以及所述第二服务器对所述目标安全上采样计算结果分量up1，up2进行目标安全自适应特征融合操作，得到特征融合或特征拼接的结果分量Γ
′1，Γ
′2；
[0028]基于所述目标安全上采样计算结果分量up1，up2以及所述特征融合或特征拼接的结果分量Γ
′1，Γ
′2，得到目标检测结果Y1＝up1+Γ
′1，，Y2＝up2+Γ
′2；
[0029]基于所述目标检测结果分量，得到可信服务器的目标检测结果量Y＝Y1+Y2。
[0030]可选地，所述第一服务器以及所述第二服务器对所述第一子计算参数和所述第二子计算参数中的输入数据参数分量x1，x2与模型训练卷积权重参数分量w1，w2交互地执行安全SConv协议，得到卷积结果分量v1，v2具体包括：
[0031]S301、所述第一服务器与所述第二服务器对所述第一子计算参数和所述第二子计算参数中的输入数据参数分量x1，x2进行拓展计算，得到输入数据参数拓展分量
[0032]S302、所述可信服务器将产生的随机数与以及分别计算c1，c2，
发送至所述第一服务器与所述第二服务器，且满足发送至所述第一服务器与所述第二服务器，且满足c＝c1+c2；
[0033]S303、所述第一服务器计算所述第二服务器计算其中w1，w2为模型训练卷积权重参数分量；
[0034]S304、所述第一服务器计算所述第二服务器计算
[0035]S305、所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量级的隐私保护目标检测方法，其特征在于，包括：S1、可信服务器将卷积神经网络的计算参数进行随机拆分，得到第一子计算参数和第二子计算参数；S2、所述可信服务器分别将所述第一子计算参数和所述第二子计算参数传递至第一服务器以及第二服务器；S3、所述第一服务器以及所述第二服务器基于所述第一子计算参数和所述第二子计算交互地进行图像特征安全提取；S4、所述第一服务器以及所述第二服务器基于图像特征安全提取的第一计算结果交互地进行目标锚框安全聚类检测；S5、所述第一服务器以及所述第二服务器基于目标锚框安全聚类检测的第二计算结果计算交互地进行目标安全分类与回归；S6、所述第一服务器以及所述第二服务器基于目标安全分类与回归的第三计算结果各自进行目标安全上采样与目标安全自适应特征融合线性操作，得到可信服务器的目标检测结果。2.根据权利要求1所述的轻量级的隐私保护目标检测方法，其特征在于，所述步骤S1具体包括：根据加法秘密共享技术原理，可信服务器将卷积神经网络的计算参数进行随机拆分，得到第一子计算参数和第二子计算参数，所述计算参数包括输入数据参数x和模型训练阶段参数w,w
′
,b,σ,μ,as,ylout，其中，输入数据参数x随机拆分为x1和x2，模型训练阶段参数w,w
′
,b,σ,μ,as,ylout,随机拆分为w1,w2,w
′1,w
′2,b1,b2,σ1,σ2,μ1,μ2,as1,as2,ylout1，ylout2，且满足x＝x1+x2，w＝w1+w2，w
′
＝w
′1+w
′2，b＝b1+b2，σ＝σ1+σ2，μ＝μ1+μ2，as＝as1+as2，ylout＝ylout1+ylout2。3.根据权利要求2所述的轻量级隐私保护目标检测方法，其特征在于，所述步骤S3具体包括：所述第一服务器以及所述第二服务器对所述第一子计算参数和所述第二子计算参数中的输入数据参数分量x1,x2与模型训练卷积权重参数分量w1,w2交互地执行安全SConv协议，得到卷积结果分量v1,v2；所述第一服务器以及所述第二服务器对所述卷积结果分量v1,v2以及模型训练计算参数分量w
′1,w
′2,b1,b2,σ1,σ2,μ1,μ2交互地执行安全SBN协议，得到批量归一化结果分量v
′1,v
′2；所述第一服务器以及所述第二服务器对所述批量归一化结果分量v
′1,v
′2交互地执行安全SLRU协议，得到激活结果分量G1,G2；基于所述卷积结果分量v1,v2、所述批量归一化结果分量v
′1,v
′2以及所述激活结果分量G1,G2，得到所述可信服务器的卷积结果量v＝v1+v2，批量归一化结果量v
′1＝v
′1+v
′2以及激活结果量G＝G1+G2。4.根据权利要求3所述的轻量级隐私保护目标检测方法，其特征在于，所述步骤S4具体包括：所述第一服务器以及所述第二服务器对所述激活结果分量G1,G2交互地进行目标锚框
安全聚类检测操作，得到聚类结果分量基于所述聚类结果分量得到所述可信服务器的聚类结果量5.根据权利要求4所述的轻量级隐私保护目标检测方法，其特征在于，所述步骤S5具体包括：所述第一服务器以及所述第二服务器对所述聚类结果分量以及模型训练阶段参数as1,as2,ylout1，ylout2交互地进行目标安全分类与回归操作，得到回归结果分量ψ
′1,ψ
′2；基于所述回归结果分量ψ
′1,ψ
′2，得到所述可信服务器的回归结果量ψ
′
＝ψ
′1+ψ
′2。6.根据权利要求5所述的轻量级隐私保护目标检测方法，其特征在于，所述步骤S6具体包括：所述第一服务器以及所述第二服务器对所述回归结果分量ψ
′1,ψ
′2进行目标安全上采样操作，得到目标安全上采样计算结果分量up1,up2，up1＝ψ
′1.repeat(2)和up2＝ψ
′2.repeat(2)，其中repeat表示重复函数；所述第一服务器以及所述第二服务器对所述目标安全上采样计算结果分量up1,up2进行目标安全自适应特征融合操作，得到特征融合或特征拼接的结果分量Γ
′1,Γ
′2；基于所述目标安全上采样计算结果分量up1,up2以及所述特征融合或特征拼接的结果分量Γ
′1,Γ
′2，得到目标检测结果Y1＝up1+Γ
′1,，Y2＝up2+Γ
′2；基于所述目标检测结果分量，得到可信服务器的目标检测结果量Y＝Y1+Y2。7.根据权利要求3所述的轻量级隐私保护目标检测方法，其特征在于，所述第一服务器以及所述第二服务器对所述第一子计算参数和所述第二子计算参数中的输入数据参数分量x1,x2与模型训练卷积权重参数分量w1,w2交互地执行安全SConv协议，得到卷积结果分量v1,v2具体包括：S301、所述第一服务器与所述第二服务器对所述第一子计算参数和所述第二子计算参数中的输入数据参数分量x1,x2进行拓展计算，得到输入数据参数拓展分量S302、所述可信服务器将产生的随机数与以及分别计算c1,c2，发送至所述第一服务器与所述第二服务器，且满足发送至所述第一服务器与所述第二服务器，且满足c＝c1+c2；S303、所述第一服务器计算所述第二服务器计算其中w1,w2为模型训练卷积权重参数分量；S304、所述第一服务器计算所述第二服务器计算S305、所述第一服务器以及所述第二服务器进行乘法计算并求和，得到卷积结果分量v1,v2，v1＝∑f1,v2＝∑f2；所述第一服务器以及所述第二服务器对所述卷积结果分量v1,v2以及模型训练计算参数分量w
′1,w
′2,b1,b2,σ1,σ2,μ1,μ2交互地执行安全SBN协议，得到批量归一化结果分量v
′1,v
′2具体包括：S311、所述第一服务器与所述第二服务器对方差参数分量σ1,σ2进行拓展计算，得到方
差参数拓展分量q1＝σ1+ε和q2＝σ2+ε，ε为接近于零的正数；S312、所述可信服务器将产生的随机数并分别计算发送至所述第一服务器与所述第二服务器，且满足S313、所述第一服务器计算后，将发送给所述第二服务器，所述第二服务器产生随机数κ2并计算和后，将发送至所述第一服务器，所述第一服务器计算S314、所述第一服务器计算所述第二服务器计算后，所述第一服务器计算所述第二服务器计算且满足κ
′
＝κ
′1+κ
′2；S315、所述第一服务器计算y1＝v1‑
μ1，所述第二服务器计算y2＝v2‑
μ2，且满足y＝y1+y2；S316、所述第一服务器和所述第二服务器对输入参数分量y1,y2以及κ
′1,κ
′2重复执行步骤S313各一次，分别得到结果分量z1,z2和z
′1,z
′2，且满足z＝z1+z2和z
′
＝z
′1+z
′2；S317、所述第一服务器和所述第二服务器对结果分量重复执行步骤S314一次，得到结果分量z
″1,z
″2，且满足z
″
＝z
″1+z
″2；S318、所述可信服务器将产生的随机数与以及分别计算以及分别计算发送至所述第一服务器与所述第二服务器，且满足送至所述第一服务器与所述第二服务器，且满足S319、所述第一服务器计算所述第二服务器计算S320、所述第一服务器计算所述第二服务器计算所述第二服务器计算得到批量归一化结果分量v
′1,v
′2；所述第一服务器以及所述第二服务器对所述批量归一化结果分量v
′1,v
′2交互地执行安全SLRU协议，得到激活结果分量G1,G2具体包括：S321、所述第一服务器计算g1＝...

【专利技术属性】
技术研发人员：田有亮，周永洁，熊金波，王朝，杨科迪，
申请(专利权)人：贵州大学，
类型：发明
国别省市：