【技术实现步骤摘要】
本专利技术涉及图像处理，特别涉及一种数据异构条件下的图像处理方法、联邦学习方法、装置、系统、设备及介质。
技术介绍
1、联邦学习是一种分布式机器学习方法。联邦学习的各参与方之间不交互本地数据，而交互本地模型参数，本地模型参数是指边缘计算设备使用本地数据训练模型得到的模型参数。边缘云服务器聚合各边缘计算设备的本地模型参数，得到全局模型参数，并将全局模型发送各个边缘计算设备，全局模型为以全局模型参数作为模型参数的模型。然而，传统的联邦学习方案往往不考虑边缘计算设备之间数据分布的差异，这样会导致模型对某些边缘计算设备的数据分布的适应性不佳，对于数据异构较大的联邦学习环境，这样会导致模型的性能受损。另外，传统的联邦学习方案通常采用中心化的方式进行模型参数聚合，即所有的边缘计算设备都将自身的模型参数发送给边缘云服务器进行聚合，这样会带来较大的通信开销。在训练得到的全局模型为图像处理模型的情况下，利用训练好的图像处理模型进行图像处理的准确性与可靠性不高。
2、有鉴于此，如何解决联邦学习中数据异构性问题，降低通信开销、提升图像处理的准确性...
【技术保护点】
1.一种数据异构条件下的图像处理方法，其特征在于，包括：
2.根据权利要求1所述的图像处理方法，其特征在于，从所述数据同性簇中选择边缘计算设备作为所述数据同性簇的簇头包括：
3.根据权利要求2所述的图像处理方法，其特征在于，所述簇头从簇内其他边缘计算设备中选择预设个数的边缘计算设备，作为所述簇内树形聚合网络的第1层子节点，第1层子节点为与所述簇头通信时数据发送速率最大的边缘计算设备；第i层的子节点从簇内剩余边缘计算设备中选择预设个数的边缘计算设备，作为所述簇内树形聚合网络的第i+1层子节点；第i+1层子节点为与第i层子节点通信时数据发送速率最大...
【技术特征摘要】
1.一种数据异构条件下的图像处理方法，其特征在于，包括：
2.根据权利要求1所述的图像处理方法，其特征在于，从所述数据同性簇中选择边缘计算设备作为所述数据同性簇的簇头包括：
3.根据权利要求2所述的图像处理方法，其特征在于，所述簇头从簇内其他边缘计算设备中选择预设个数的边缘计算设备，作为所述簇内树形聚合网络的第1层子节点，第1层子节点为与所述簇头通信时数据发送速率最大的边缘计算设备；第i层的子节点从簇内剩余边缘计算设备中选择预设个数的边缘计算设备，作为所述簇内树形聚合网络的第i+1层子节点；第i+1层子节点为与第i层子节点通信时数据发送速率最大的边缘计算设备；i从1取值，直到构建得到所述簇内树形聚合网络。
4.根据权利要求3所述的图像处理方法，其特征在于，聚合各所述数据同性簇的簇内模型参数聚合结果，得到第二层模型参数聚合结果包括：
5.根据权利要求4所述的图像处理方法，其特征在于，确定当前训练轮次各所述数据同性簇的权重系数包括：
6.根据权利要求5所述的图像处理方法，其特征在于，根据所述数据同性簇的本地数据测试精度确定所述数据同性簇的权重系数包括：
7.根据权利要求6所述的图像处理方法，其特征在于，一个训练轮次包括本地模型训练、第一层模型参数聚合与第二层模型参数聚合三个阶段；数据同性簇内的每个边缘计算设备完成第一预设次数的模型参数更新后，进行一次第一层模型参数聚合，每个数据同性簇完成第二预设次数的第一层模型参数聚合后，进行一次第二层模型参...
【专利技术属性】
技术研发人员：范宝余，李仁刚，王立，张润泽，郭振华，赵雅倩，曹芳，赵坤，鲁璐，贺蒙，
申请(专利权)人：浪潮电子信息产业股份有限公司，
类型：发明
国别省市：
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。