【技术实现步骤摘要】
本专利技术涉及人工智能与计算机视觉识别，特别涉及一种基于联邦学习的目标识别方法、装置、设备及介质。
技术介绍
1、在目标识别中，雷达可以通过分析目标散射的电磁波信号的多普勒频移等信息识别出目标的类型；比如在目标速度高时，回波的多普勒频移大；但是在现实情况中，雷达自身存在着一定的遮蔽角，因而对于在雷达遮蔽角内的目标识别存在一定的缺陷；因此，如今解决此类问题的方法是通过架设的光学和热学传感器监视低空环境及时发现目标，通过对图像的融合处理和目标识别，识别出其中包含的目标物体。
2、目前，对于图像中目标物体的识别最主流的方法是深度学习算法，其主要特点是使用卷积神经网络(convolutionalneuralnetwork，cnn)进行特征提取和分类；卷积神经网络是深度学习中最常用的一种网络结构，它可以自动提取图像中的特征，并将其转化为计算机可以理解的数据；卷积神经网络包括卷积层、池化层、全连接层等，其中卷积层是最核心的部分；通过卷积层可以提取图像中的局部特征，并且能够保留空间信息，其优点在于具有良好的特征提取和分类性能，可以应用于图像分类、目标检测、人脸识别等领域。
3、对于图像的识别，其是直接在原图像的基础上提取图像的特征信息；图像的特征描述为以下四个方面：图像的颜色特征、图像的几何特征、图像的纹理特征、图像的局部特征；对于遥感图像的卷积操作来说，图像实际是由各个像素点组合而成，每个像素可以用r、g、b像素值表述为三元组，这样图像可以通过矩阵的方式参与图像在数学上的卷积操作，通过提供一个专门的卷积核对图像进行处
技术实现思路
1、本专利技术实施例提供一种基于联邦学习的目标识别方法、装置、设备及介质，可以解决现有技术中，因收集到的目标数据的变化多样性和复杂性，目前的方法在目标识别准确率方面存在一定的局限性的问题。
2、本专利技术实施例提供一种基于联邦学习的目标识别方法，包括以下步骤：
3、多台遥感设备分别获取对应目标的多张遥感图像，分别形成对应目标的图像数据集；
4、每台遥感设备利用yolov8算法对对应的图像数据集进行训练，分别得到每台遥感设备对应的初步目标识别模型；
5、在横向联邦学习框架下利用fedavg聚合算法将每种初步目标识别模型中的模型参数进行聚合，得到全量模型参数；求取全量模型参数的平均值得到全局模型参数；
6、每台遥感设备利用全局模型参数更新对应的初步目标识别模型，每台遥感设备得到对应的最终目标识别模型，并利用对应的最终目标识别模型识别对应图像数据集中的目标。
7、优选地，所述分别形成对应目标的图像数据集，包括以下步骤：
8、利用多台遥感设备所搭载的传感器，分别获取对应的多张目标遥感图像；
9、利用voc-lable标注软件对目标遥感图像进行数据清洗、去噪、对齐及标定，得到标注后的目标遥感图像，并分别形成每台遥感设备对应目标的图像数据集。
10、优选地，所述利用yolov8算法对对应的图像数据集进行训练，包括：
11、所述yolov8算法采用cspdarknet网络架构，并在yolov8算法的卷积层之间引入focalloss损失函数及maskrcnn模块，将focalloss损失函数及maskrcnn模块与yolov8算法的卷积层进行融合，形成改进的yolov8算法；
12、利用改进的yolov8算法对对应的图像数据集进行训练。
13、优选地，所述得到全局模型参数，包括：
14、中央服务器接收到各遥感设备传来的模型参数后，使用联邦聚合算法更新模型的参数；
15、fedavg算法更新模型参数不再通过模型压缩，而是通过将各遥感设备的本地模型yolov8的全量参数上传到中央服务器后，对上传的全量模型参数求平均值得到更新后的全局模型参数。
16、优选地，所述得到更新后的全局模型参数后，中央服务器再将更新后的全局模型参数下发至各个遥感设备，在各个遥感设备上完成对模型参数的更新聚合。
17、本专利技术实施例还提供一种基于联邦学习的目标识别装置，包括：
18、图像采集模块，多台遥感设备分别获取对应目标的多张遥感图像，分别形成对应目标的图像数据集；
19、本地模型训练模块，每台遥感设备利用yolov8算法对对应的图像数据集进行训练，分别得到每台遥感设备对应的初步目标识别模型；
20、模型参数聚合模块，在横向联邦学习框架下利用fedavg聚合算法将每种初步目标识别模型中的模型参数进行聚合，得到全量模型参数；求取全量模型参数的平均值得到全局模型参数；
21、目标识别模块，每台遥感设备利用全局模型参数更新对应的初步目标识别模型，每台遥感设备得到对应的最终目标识别模型，并利用对应的最终目标识别模型识别对应图像数据集中的目标。
22、本专利技术实施例还提供一种电子设备，包括存储器和处理器；
23、所述存储器，用于存储计算机程序；
24、所述处理器，用于执行所述存储器中存储的计算机程序时，实现如上所述的一种基于联邦学习的目标识别方法的步骤。
25、本专利技术实施例还提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现如上所述的一种基于联邦学习的目标识别方法的步骤。
26、本专利技术实施例提供一种基于联邦学习的目标识别方法、装置、设备及介质，与现有技术相比，其有益效果如下：
27、本专利技术首先用多个遥感设备分别获取对应的遥感图像数据集，利用yolov8算法分别进行训练得到每台遥感设备对应的初步目标识别模型，在横向联邦学习的框架下利用fedavg聚合算法对每种初步目标识别模型中的模型参数进行聚合形成全量模型参数，并求全量模型参数的平均值得到全局模型参数，区别于传统的中央集中式机器学习框架，联邦学习实现了模型聚合和数据最小化，而后每台遥感设备利用全局模型参数更新对应的目标识别模型来实现目标的识别，且同时充分利用了每台遥感设备的计算能力，降低了目标数据的变化多样性和复杂性，使得目标识别的准确率大大提高。
28、并且，本专利技术引入联邦学习的思想，通过在不同的遥感设备和数据源之间进行模型训练和参数共享，有效解决了数据孤岛和隐私保护的问题。
本文档来自技高网...【技术保护点】
1.一种基于联邦学习的目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于联邦学习的目标识别方法，其特征在于，所述分别形成对应目标的图像数据集，包括以下步骤：
3.根据权利要求1所述的一种基于联邦学习的目标识别方法，其特征在于，所述利用YOLOv8算法对对应的图像数据集进行训练，包括：
4.根据权利要求1所述的一种基于联邦学习的目标识别方法，其特征在于，所述得到全局模型参数，包括：
5.根据权利要求4所述的一种基于联邦学习的目标识别方法，其特征在于，所述得到更新后的全局模型参数后，中央服务器再将更新后的全局模型参数下发至各个遥感设备，在各个遥感设备上完成对模型参数的更新聚合。
6.一种基于联邦学习的目标识别装置，其特征在于，包括：
7.一种电子设备，其特征在于，包括：存储器和处理器；
8.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1～5任一项所述的一种基于联邦学习的目标识别方法的步骤。
【技术特征摘要】
1.一种基于联邦学习的目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于联邦学习的目标识别方法，其特征在于，所述分别形成对应目标的图像数据集，包括以下步骤：
3.根据权利要求1所述的一种基于联邦学习的目标识别方法，其特征在于，所述利用yolov8算法对对应的图像数据集进行训练，包括：
4.根据权利要求1所述的一种基于联邦学习的目标识别方法，其特征在于，所述得到全局模型参数，包括：
5.根据权利要求4所述的...
【专利技术属性】
技术研发人员：柴进晋，张秦，穆慧琳，刘欣，宋玉伟，汤荣涛，
申请(专利权)人：中国人民解放军空军工程大学，
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。