一种面向异构图像数据的联邦学习图像分类方法和系统技术方案

本发明专利技术提供了一种面向异构图像数据的联邦学习图像分类方法和系统，获取待识别图像；将所述待识别图像输入到图像分类模型中，得到待识别图像的种类；所述待识别图像是基于联邦学习系统；利用改进后的联邦学习算法对联邦学习模型进行训练得到的。本发明专利技术利用改进后的联邦学习算法对联邦学习模型进行训练能够减小联邦学习模型训练时的通信成本。联邦学习模型训练时的通信成本。联邦学习模型训练时的通信成本。

【技术实现步骤摘要】
一种面向异构图像数据的联邦学习图像分类方法和系统


[0001]本专利技术涉及图像分类
，特别是涉及一种面向异构图像数据的联邦学习图像分类方法和系统。

技术介绍

[0002]近年来，随着深度学习的快速发展，计算机视觉领域应用的越来越广泛。新兴技术为人们生活带来便利的同时，也给客户带来了一些困扰，尤其是用户的隐私数据安全：APP过度的收集个人信息、滥用人脸识别技术、大数据杀熟的事情时有发生。随着人们对个人的数据隐私的重视，机构公开或多个机构间共享数据变得越发困难。这一定程度限制了数据驱动的人工智能技术的广泛应用。联邦学习通过服务器和多个客户端协同训练解决了数据共享需求和隐私数据安全之间的矛盾，无需共享数据即可进行分布式学习。然而，多个机构的图像数据在数量、特征和标签上等都存在着明显的差异，导致多个机构间的图像数据是异构的，并不是独立同分布的。异构数据对于深度学习技术来说一直是一个难以解决的痛点，也是联邦学习领域的一个关键挑战。例如，有的医疗机构高质量数据不足，多家医疗机构采集数据设备不统一导致的模型不能很好的解决图像分类问题。因此，提出一种异本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向异构图像数据的联邦学习图像分类方法，其特征在于，包括：获取待识别图像；将所述待识别图像输入到图像分类模型中，得到待识别图像的种类；所述待识别图像是基于联邦学习系统利用改进后的联邦学习算法对联邦学习模型进行训练得到的。2.根据权利要求1所述的一种面向异构图像数据的联邦学习图像分类方法，其特征在于，所述联邦学习系统包括服务器和多个客户端。3.根据权利要求2所述的一种面向异构图像数据的联邦学习图像分类方法，其特征在于，在所述获取待识别图像之前，还包括：获取服务器处的全局模型为通信回合数为t
‑
1时的全局模型；将多个客户端中的任意预设个数的客户端确定为训练客户端；将通信回合数为t
‑
1时的全局模型分别发送至每个训练客户端，并利用训练客户端的本地数据进行训练，得到每个训练客户端的元模型和梯度方向；根据每个训练客户端的权重和梯度方向，将多个元模型进行融合，得到t次迭代的全局模型；判断通信回合数t是否达到通信回合数阈值，得到第一判断结果；若第一判断结果为否，则令通信回合数t的数值增加1，并返回步骤“将多个客户端中的任意预设个数的客户端确定为训练客户端”；若第一判断结果为否，则确定通信回合数为t时的全局模型为图像分类模型。4.根据权利要求3所述的一种面向异构图像数据的联邦学习图像分类方法，其特征在于，在所述令通信回合数t的数值增加1之后，还包括：更新所述预设个数。5.根据权利要求3所述的一种...

【专利技术属性】
技术研发人员：苏敬勇，连芸，周洲，
申请(专利权)人：深圳六零四五科技有限公司，
类型：发明
国别省市：