边缘处理数据去识别制造技术

技术编号:35848511 阅读:15 留言:0更新日期:2022-12-07 10:30
方法和系统在云计算系统处收集所采集的数据之前,实现对从边缘设备处的采集的数据提取的特征的替换。基于包括一个或多个学习模型的识别系统的操作,可以确定与用户记录的匹配特征不同的特征。可以基于随机、合成和/或通用数据来训练特征合成模型,以生成不识别用户的合成特征。在通过一个或多个学习模型将所采集的数据跨隐私边界传送到用于支持IoT服务的后端计算的云计算系统之前,可以用这些合成特征替换来自所采集的数据的识别特征。以这种方式,可以收集和存储数据,并避免个体用户被检查而暴露,同时仍然保持在允许识别模型起作用和用户简档被更新方面的实用性。和用户简档被更新方面的实用性。和用户简档被更新方面的实用性。

【技术实现步骤摘要】
【国外来华专利技术】边缘处理数据去识别

技术介绍

[0001]现代云计算服务通常依赖于深度学习计算,其形式是在连接到许多终端设备以收集和处理数据的云计算系统处的后端计算。这种技术可以为诸如智能家居、智能家电和家庭安全之类的物联网(“IoT”)服务提供后端计算。通常是通过计算从终端设备接收的多种格式的复杂数据来提供深度学习云服务。而云计算系统可能具有较高的处理能力,包括诸如部署在数据中心的服务器上的分布式计算框架之类的示例,其可以包括诸如神经处理单元(“NPU”)之类的强微处理器,计算系统边缘的服务器和其他网络节点通常在规格上是低功耗的。这些边缘节点可能具有有限的处理能力以及本地存储器和内存。同样的,终端设备本身在规格上可能类似的是低功耗的。此外,深度学习计算可以部署在本质上功率较低的计算系统上。
[0002]IoT服务采集单个终端设备处的单个终端用户的数据,并且IoT服务的提供者希望将该采集的数据存储和聚合作为机器学习的组成部分,以改进IoT服务的后端技术。然而,可以检查、分析或以其他方式利用采集的数据来识别单个最终用户。从概念上讲,可以在采集的数据的计算系统和存储采集的数据的计算系统之间划定隐私边界。虽然所采集的数据没有越过这个概念边界,但是就所采集的数据可以用于识别单个终端用户的程度而言,对所采集的数据的访问仍然有限。但是,在采集的数据越过了这个概念边界之后,对采集的数据的访问就不在单个最终用户的控制范围之内。出于这样的原因,个体终端用户可能不信任在隐私边界的相对站点上的计算系统(诸如云计算系统)处的采集的数据的收集。
[0003]因此,希望通过在采集的数据越过概念隐私边界之前更改采集的数据,以在各个最终用户中产生对IoT服务的信任,使得在隐私边界的另一侧收集的采集的数据不能用于识别各个最终用户。
附图说明
[0004]下面参照附图详细描述。在附图中,参考编号的最左边的数字标识参考编号首先出现的图形。在不同的图中使用相同的参考编号表示相似或相同的项目或特征。
[0005]图1示出了本领域技术人员已知的面部特征提取的示例。
[0006]图2示出了本领域技术人员已知的面部识别的示例。
[0007]图3示出了示例特征嵌入。
[0008]图4A、4B、4C、4D和4E示出了本领域技术人员已知的图像采集传感器。
[0009]图5示出了根据本公开的示例性实施例的识别系统的架构。
[0010]图6示出了根据本公开的示例实施例的计算系统的架构图。
[0011]图7示出了根据本公开的示例性实施例的特征合成模型。
[0012]图8示出了根据本公开的示例性实施例的去识别方法的流程图。
[0013]图9示出了用于实现上述的实现采集的数据的去识别的过程和方法的示例系统。
102”);第二阶段优化网络(“R

Net 104”);以及第三级输出网络106(“O

Net 106”)。在输入到P网102之前,可以通过模糊和二次采样来变换样本图像数据,以生成形成图像金字塔108的样本图像数据的多个副本。在将图像金字塔108输入到P

Net 102时,P

Net 102的卷积层114对图像金字塔108执行边界框回归。P

Net 102输出由回归向量描述的边界框,所述边界框是图像金字塔108的样本图像数据中的面部特征的可能边界框。基于边界框,通过非最大抑制(“NMS”)来识别样本图像数据中寻求通过分类来识别的面部特征110的候选区域,使得边界框在它们重叠的地方被合并以生成新的回归向量;每个候选区域110可以接收分类112为可能是特定类型的面部特征。
[0022]然后将候选区域110输入到R

Net 104中,其中R

Net 104的卷积层116通过进一步NMS执行候选区域110的回归向量的细化。
[0023]然后将候选区域110输入到O

Net 106中,其中O

Net 106的卷积层118执行候选区域110的回归向量的进一步监督细化。O

Net 106可以输出候选区域110、它们的分类112以及一些数量的面部界标118的位置,这可以有助于确定由面部区域识别的面部的正确对准和定向。
[0024]可以训练学习模型以配置计算系统以计算将采集的图像或视频作为输入的任务,例如为诸如图像分类、计算机视觉、视频跟踪、视频注释的功能提供输出的任务。关于图像输入,从中提取的特征(本文称为“图像特征”)可以包括例如本领域技术人员已知的边缘特征、拐角特征和斑点特征。关于视频输入,从中提取的特征(本文称为“视频特征”)可以包括例如本领域技术人员已知的运动特征。
[0025]云计算系统可以提供托管计算资源的服务器的集合,以提供分布式计算、并行计算、物理或虚拟计算资源的改进的可用性以及这样的益处。云计算系统可以托管学习模型,以使用学习模型为计算的应用提供这些益处。然而,为了减轻在云计算系统上执行学习模型时的计算开销,可以预先训练学习模型以提供现成的参数和权重,这些参数和权重可以存储在云计算系统的存储器上,并且在执行时,作为“骨干”学习模型加载到云计算系统的内存中。例如,关于与图像识别的功能有关的任务,通常可用的预训练图像分类器学习模型包括ResNet、GoogLeNet、VGGNet、Inception、Xception等。
[0026]例如,可以训练骨干学习模型以计算将图像作为输入的任务的输入,这样的任务为包括图像分类或计算机视觉的功能提供输出。关于图像输入,特征可以包括例如本领域技术人员已知的边缘特征、角特征和斑点特征。
[0027]例如,可以训练骨干学习模型以计算将面部图像作为输入的任务的输入,这样的任务为包括面部识别或面部匹配的功能提供输出。关于面部图像输入,特征可以包括例如本领域技术人员已知的眼睛特征、鼻子特征和嘴特征。
[0028]例如,可以训练骨干学习模型以计算将视频作为输入的任务的输入,例如为诸如视频跟踪或视频注释之类的功能提供输出的任务。关于视频输入,特征可以包括例如本领域技术人员已知的运动特征。
[0029]例如,可以训练骨干学习模型以计算将音频作为输入的任务的输入,例如为诸如音频识别、源分离或音频注释的功能提供输出的任务。关于音频输入,特征可以包括例如过零率特征、能量特征、诸如频谱质心特征、频谱扩展特征等的频谱形状特征,以及本领域技术人员已知的这些特征。
[0030]例如,学习模型的中央网络可以被训练为以文本作为输入的任务计算函数,例如为诸如图像搜索功能的功能提供输出的任务。关于文本输入,与非文本输入的特征(本文称为“文本特征”)异构的特征可以包括例如字数特征、词向量以及本领域技术人员已知的这样的特征。
[0031]图2示出了本领域技术人员已知的面部识别的示例。如图2所示的FaceNet卷积神经网络200示出了可先将提取的面部特征输入到主干20本文档来自技高网
...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法,包括:由终端设备采集包含一个或多个个体用户的生物特征的数据;由边缘设备从所采集的数据中提取多个特征;由所述边缘设备确定所提取的特征的一个或多个识别特征;由所述边缘设备通过特征合成模型生成一个或多个合成特征;以及由所述边缘设备用所述一个或多个合成特征替换所述采集的数据的所述一个或多个识别特征。2.根据权利要求1所述的方法,其中,所采集的数据包括图像数据,并且所述边缘设备包括图像采集设备。3.如权利要求1所述的方法,其特征在于,所述边缘设备包括云网络的边缘主机。4.根据权利要求3所述的方法,其中,在通过所述云网络传输所述采集的数据之前,执行所述采集的数据的所述识别特征的替换。5.根据权利要求1所述的方法,其中,所采集的数据包括面部图像,并且所述一个或多个识别特征包括128维特征集合。6.根据权利要求1所述的方法,其中,所述特征合成模型包括生成对抗网络,所述生成对抗网络还包括生成器和鉴别器。7.如权利要求1所述的方法,其特征在于,所述一个或多个合成特征包括至少一个非识别特征或通用特征。8.一种系统,包括:一个或多个处理器;以及存储器,所述存储器通信地耦合到所述一个或多个处理器的存储器,所述存储器存储可由所述一个或多个处理器执行的计算机可执行模块,所述计算机可执行模块在由所述一个或多个处理器执行时执行相关联的操作,所述计算机可执行模块包括:数据采集设备,其被配置为采集一个或多个个体用户的生物特征;特征提取模块,其被配置为从所采集的数据中提取多个特征;识别特征确定模块,其被配置为确定所提取的特征的一个或多个识别特征;特征合成模块,其被配置为通过特征合成模型生成一个或多个合成特征;以及特征替换模块,其被配置为用所述一个或多个合成特征替换所述采集的数据的所述一个或多个识别特征。9.根据权利要求8所述的系统,其中,所述采集的数据包括图像数据,并且所述系统包括终端设...

【专利技术属性】
技术研发人员:陈颖赵昱程李扬彦
申请(专利权)人:阿里巴巴集团控股有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1