本发明专利技术提供一种基于联邦学习的模型融合方法及系统，包括：提取关键点及其描述符，生成初始对应关系集合并进行坐标归一化处理，得到稳健基础特征；初始化联邦学习架构客户端，对本地图像数据进行归一化、裁剪预处理，提取特征描述符，基于卷积神经网络训练局部模型；聚合客户端参数得到全局模型，加权求和或特征拼接融合客户端特征描述符，对融合特征进行深度挖掘，结合全局上下文注意力机制优化特征表达；基于融合特征计算匹配对的内点概率，筛选高概率候选集，求解基本矩阵。本发明专利技术技术方案，能够整合来自不同客户端的特征信息，利用更新后的全局模型进行客户端识别匹配点，并通过几何一致性检验去除错误匹配，提升匹配准确性。
【技术实现步骤摘要】
本专利技术属于模型融合，特别涉及一种基于联邦学习的模型融合方法及系统。
技术介绍
1、随着计算机视觉和深度学习技术的快速进展，图像匹配技术在许多领域中变得日益重要，如机器人导航、三维重建等。图像匹配的目标是两幅或多幅图像之间找到对应的特征点或区域，这对于理解图像内容和建立图像间的几何关系至关重要。传统的图像匹配方法通常需要大量的标注数据和集中训练，不仅耗时耗力，而且在数据隐私和安全性方面存在挑战。
2、传统集中式学习方法在处理大量数据时，由于需要将数据上传到中央服务器，存在数据隐私泄露的风险，并且在资源受限的客户端设备上训练效率低下。此外，传统的分布式学习虽然可以在客户端进行训练，但模型训练效率低，难以适应大规模数据，且在特征层面的融合和优化上缺乏有效的机制，导致全局模型的准确性和鲁棒性不足。
3、因此，如何提供一种基于联邦学习的模型融合方法及系统，整合来自不同客户端的特征信息，利用更新后的全局模型进行客户端识别匹配点，并通过几何一致性检验去除错误匹配，提升匹配准确性，已经成为一个亟待解决的技术问题。
r/>技本文档来自技高网...
【技术保护点】
1.一种基于联邦学习的模型融合方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的一种基于联邦学习的模型融合方法，其特征在于，初始特征提取，构建对应关系特征，包括：
3.根据权利要求1所述的一种基于联邦学习的模型融合方法，其特征在于，初始化联邦学习架构客户端，包括：
4.根据权利要求1所述的一种基于联邦学习的模型融合方法，其特征在于，采用联邦平均算法聚合客户端参数θi得到全局模型θglobal，包括：
5.根据权利要求1所述的一种基于联邦学习的模型融合方法，其特征在于，加权求和或特征拼接融合客户端特征描述符di，包括：
...
【技术特征摘要】
1.一种基于联邦学习的模型融合方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的一种基于联邦学习的模型融合方法，其特征在于，初始特征提取，构建对应关系特征，包括：
3.根据权利要求1所述的一种基于联邦学习的模型融合方法，其特征在于，初始化联邦学习架构客户端，包括：
4.根据权利要求1所述的一种基于联邦学习的模型融合方法，其特征在于，采用联邦平均算法聚合客户端参数θi得到全局模型θglobal，包括：
5.根据权利要求1所述的一种基于联邦学习的模型融合方法，其特征在于，加权求和或特征拼接融合客户端特征描述符di，包括：
6.根据权利要求1所述的一种基于联邦学习的模型融合方法，其特征在于，对融合特征dfus...
【专利技术属性】
技术研发人员：林舒源，施星宇，翁健，
申请(专利权)人：暨南大学，
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。