【技术实现步骤摘要】
本专利技术属于联邦学习与图像分类领域。
技术介绍
1、在大数据与人工智能蓬勃发展的当下，数据成为驱动机器学习模型训练与优化的核心要素。深度学习模型在大规模、代表性数据集上训练时，往往能展现出卓越的性能。然而在现实场景中，数据通常分散存储于不同的主体(如企业、机构、移动设备等)，受隐私法规与数据保护政策的严格约束，这些数据无法被集中收集用于模型训练。这一现实困境促使联邦学习(federatedlearning,fl)技术应运而生，它允许多个参与方在不直接交换本地数据的前提下，协同训练机器学习模型，为解决数据孤岛问题提供了创新的解决方案
2、图像分类作为计算机视觉的核心任务，其重要性源于它在理解视觉世界和赋能智能决策中的基础作用。通过让机器识别图像中的物体、场景或抽象概念，图像分类不仅推动了人工智能技术的突破，更在医疗诊断、自动驾驶)等场景中解决了人类难以高效处理的复杂问题。传统的图像分类方法主要依赖于类别平衡数据，而在实际应用中，项目间的数据往往存在显著差异，这使得直接应用传统方法面临诸多挑战。这些挑战包括但不限于：
<...【技术保护点】
1.基于自适应对比学习结合联邦学习的图像分类算法，其特征在于，包括以下步骤：
【技术特征摘要】
1.基于自适应对比学习结合联邦学习的图...
【专利技术属性】
技术研发人员：姚一鸣，王爱丽，夏丁，杨明极，王敏慧，吴海滨，于双，赵烟桥，
申请(专利权)人：哈尔滨理工大学，
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。