【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体涉及一种基于联邦学习的船舶检测网络训练方法及应用方法。
技术介绍
1、水路交通视觉监管在现代海事领域中有着重要的作用。随着航运业的快速发展，对水路交通监控系统的需求日益增加。有效的水路交通监管系统不仅可以提高船舶交通管理的效率，还能够预防事故、确保海上安全，并支持海事执法等关键任务。随着深度学习技术的迅猛发展，基于图像和视频的水路交通监管得到了显著改善。深度学习算法的强大特征提取能力使得船舶和其他水路交通目标的自动识别成为可能。然而在大规模水域中，传统的集中式机器学习训练过程中需要获取各部门的数据，对于海事领域来说，集中式机器学习方法难以满足各海事监管部门对隐私安全的需求。
2、为了保障训练过程中各海事监管部门（客户端）的数据隐私安全，联邦学习作为一种分布式机器学习方法，逐渐受到研究者的关注。联邦学习允许多个水路交通监管部门利用各自的数据集对各自模型进行训练，并共享训练得到的网络参数，在保证数据隐私的前提下，共同协作训练机器学习模型。但在目前的联邦学习中，由于不同来源的数据分布不均匀，数据质量参...
【技术保护点】
1.一种基于联邦学习的船舶检测网络训练方法，其特征在于，包括：
2.根据权利要求1所述的基于联邦学习的船舶检测网络训练方法，其特征在于，所述船舶图像数据包括各客户端获取的本地船舶图像数据，且所述本地船舶图像数据分别输入对应所述客户端的所述局部检测网络。
3.根据权利要求1所述的基于联邦学习的船舶检测网络训练方法，其特征在于，所述对所述船舶图像数据进行双分支注意力增强和特征融合检测得到船舶检测输出，包括：
4.根据权利要求3所述的基于联邦学习的船舶检测网络训练方法，其特征在于，所述对所述船舶图像数据进行特征切分得到若干输入特征图像，包
5...
【技术特征摘要】
1.一种基于联邦学习的船舶检测网络训练方法，其特征在于，包括：
2.根据权利要求1所述的基于联邦学习的船舶检测网络训练方法，其特征在于，所述船舶图像数据包括各客户端获取的本地船舶图像数据，且所述本地船舶图像数据分别输入对应所述客户端的所述局部检测网络。
3.根据权利要求1所述的基于联邦学习的船舶检测网络训练方法，其特征在于，所述对所述船舶图像数据进行双分支注意力增强和特征融合检测得到船舶检测输出，包括：
4.根据权利要求3所述的基于联邦学习的船舶检测网络训练方法，其特征在于，所述对所述船舶图像数据进行特征切分得到若干输入特征图像，包括：
5.根据权利要求3所述的基于联邦学习的船舶检测网络训练方法，其特征在于，所述对所述输入特征图像进行双分支注意力增强得到增强特征图像，包括：
6.根据权利要求1所述的基于联邦学习的...
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。