[发明专利]一种基于异步联邦学习的城市防控图像检测方法和系统

权利要求书

1.一种基于异步联邦学习的城市防控图像检测方法，其特征在于，包括：

S101，云端服务器初始化全局模型；

S102，各端部设备对城市防控图像数据进行场景标注，将所述城市防控图像数据分为训练集和测试集，并从所述训练集中筛选出与所述测试集样本分布接近的数据集作为待训练集；

S103，向云端服务器获取所述全局模型，对所述待训练集进行本地训练得到本地模型；

S104，各端部设备将所述本地模型通过同态加密后上传至云端服务器；

S105，所述云端服务器采用异步联邦计算策略对所述本地模型进行全局模型训练，得到更新后的全局模型；

S106，转入步骤S102，直至云端服务器上的全局模型达到预期性能；

其中，步骤S102中，所述从所述训练集中筛选出与所述测试集样本分布接近的数据集作为待训练集，包括：

计算所述测试集的数据分布；

采用以下公式计算所述训练集和所述测试集的特征分布KL散度：

；

根据所述KL散度判断所述训练集是否与所述测试集样本分布接近；

若是，不需要对所述训练集进行采样；

若否，对所述训练集进行采样得到所述待训练集；

其中，表示第k个端部设备中的部分采样数据对应的归一化数据特征，表示所述训练集的数据分布，表示一端部设备采集的归一化数据特征；

其中，所述对所述训练集进行采样得到所述待训练集，包括：

根据所述训练集的数据分布，随机采样图像数据特征；

根据建议分布服从，采样得到图像数据特征；

采用以下公式计算第一中间值：

；

从均匀分布中抽样得到第二中间值u；

判断第一中间值是否大于等于第二中间值；

若是，接受图像数据特征进入所述待训练集，即；

若否，接受图像数据特征进入所述待训练集，即；

重复以上操作以对所有图像数据特征进行筛选，并在迭代了t轮后得到服从数据分布的图像数据特征集；

对所述图像数据特征集进行反向迭代得到所述待训练集；

其中，表示的数据分布，表示的数据分布。

2.根据权利要求1所述的基于异步联邦学习的城市防控图像检测方法，其特征在于，所述向云端服务器获取所述全局模型，对所述待训练集进行本地训练得到本地模型，包括：

各端部设备采用Sparse R-CNN模型对已标注的所述待训练集进行本地训练。

3.根据权利要求1所述的基于异步联邦学习的城市防控图像检测方法，其特征在于，所述采用异步联邦计算策略对所述本地模型进行训练，得到更新后的全局模型，包括：

所述云端服务器统计参与至本次全局模型训练的本地模型数量，判断其中每个本地模型是否曾在指定时间窗口参与过往训练；

若判断为否，所述本地模型不加入本次全局模型训练；

若判断为是，赋予所述本地模型相应权重，加入全局模型训练。

4.根据权利要求3所述的基于异步联邦学习的城市防控图像检测方法，其特征在于，所述判断其中每个本地模型是否曾在指定时间窗口参与过往训练，包括：

采用如下公式判断其中每个本地模型是否曾在指定时间窗口参与过往训练：

；

其中，s为当前全局模型更新的轮数，为一本地模型参与训练过的轮数， 为超参数，用于设置全局模型训练中能容纳多少个版本的本地模型时间窗口。

5.根据权利要求3所述的基于异步联邦学习的城市防控图像检测方法，其特征在于，所述若判断为是，赋予所述本地模型相应权重，加入全局模型训练，包括：

采用如下公式赋予所述本地模型相应权重：

；

采用如下公式计算第s轮各个本地模型对全局模型的影响权重：

；

其中，为同一轮参与更新的一本地模型中的数据数量，为同一轮参与更新的所有本地模型的总数据量，为第s轮的本地模型的权重值，第s轮的全局模型的权重值，为第s轮的各个本地模型代码集合，为学习率，为决定影响权重衰减率的超参数。