一种边缘设备视觉模块的联邦学习方法技术

本发明专利技术涉及联邦学习技术，其公开了一种边缘设备视觉模块的联邦学习方法，解决现有边缘设备视觉模块基于SNN网络的联邦学习方案存在的通信成本高、模型准确率低、收敛速度慢的问题。本发明专利技术方案中，在一个全局训练轮次中，参与本轮训练的边缘设备计算点火率上传服务器；服务器根据点火率筛选设备进行本地训练并上传更新的模型参数至服务器；服务器对本地训练的设备上传的更新的模型参数进行聚合，更新全局模型，将更新的全局模型下发至各个边缘设备中，通过上述步骤进行迭代训练，最终获得训练完成的模型。本发明专利技术适用于智能家居设备等异构的边缘设备视觉模块中图像识别模型的训练。

【技术实现步骤摘要】

本专利技术涉及联邦学习技术，具体涉及一种边缘设备视觉模块的联邦学习方法。

技术介绍

1、边缘设备视觉模块通过对图像的抓取、处理和分析，实现对象的识别和捕获，为后续的基于机器视觉的决策提供支撑。随着物联网技术的发展，边缘设备视觉模块的应用越发普及，如智能家居设备，其隐私泄露问题逐步凸显，愈发重要。边缘设备视觉模块的隐私数据保护主要面临两方面的挑战：一方面，用户不希望自己的隐私数据被泄露，要求对自己的数据使用有知情权与控制权；另一方面，设备厂商希望尽可能多地采集用户数据，以提供更好的智能服务。

2、因此，如何有效地保护边缘设备视觉模块中用户的隐私数据已成为亟需解决的重要问题。而联邦学习则可以较好地解决数据的隐私问题。联邦学习是一种分布式学习的变种,旨在保护数据隐私的同时,允许多个边缘设备协同训练模型，从而让模型有更好的适应能力。联邦学习的主要流程为：服务器将全局模型初始化后发送给参与联邦学习的边缘设备，各边缘设备在本地利用自身存储的数据对模型进行训练，并将训练的参数传输至服务器中，服务器对各个边缘设备上传的参数进行聚合，更新全局模型的参数，再次分发本文档来自技高网...

【技术保护点】

1.一种边缘设备视觉模块的联邦学习方法,其特征在于,

2.如权利要求1所述的一种边缘设备视觉模块的联邦学习方法,其特征在于,

3.如权利要求2所述的一种边缘设备视觉模块的联邦学习方法,其特征在于,

4.如权利要求2所述的一种边缘设备视觉模块的联邦学习方法,其特征在于,

5.如权利要求4所述的一种边缘设备视觉模块的联邦学习方法,其特征在于,

6.如权利要求1～5任意一项所述的一种边缘设备视觉模块的联邦学习方法,其特征在于,所述卷积脉冲神经网络采用LIF脉冲神经元。

7.如权利要求1～5任意一项所述的一种边缘设备视觉模块...

【技术特征摘要】

1.一种边缘设备视觉模块的联邦学习方法,其特征在于,

2.如权利要求1所述的一种边缘设备视觉模块的联邦学习方法,其特征在于,

3.如权利要求2所述的一种边缘设备视觉模块的联邦学习方法,其特征在于,

4.如权利要求2所述的一种边缘设备视觉模块的联邦学习方法,其特征在于,

5.如权利要求4所述的一种边缘设备视觉模块的联邦学习方法,其特征在于,

6.如权利要求1～5任意一项所述的一种边缘设备视觉模块的联邦学习方法,其特征在于,所述卷积脉冲...

【专利技术属性】
技术研发人员：刘贵松，占求港，黄鹂，曹锦波，丁浩伦，陶然，解修蕊，高强，
申请(专利权)人：西南财经大学，
类型：发明
国别省市：