[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

说明书

本发明公开了一种基于异步联邦学习的城市防控图像检测方法，包括云端服务器初始化全局模型；各端部设备对城市防控图像数据进行场景标注，将城市防控图像数据分为训练集和测试集，并从训练集中筛选出与测试集样本分布接近的数据集作为待训练集；向云端服务器获取全局模型，对待训练集进行本地训练得到本地模型；各端部设备将本地模型通过同态加密后上传至云端服务器；云端服务器采用异步联邦计算策略对本地模型进行全局模型训练，得到更新后的全局模型。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于异步联邦学习的城市防控图像检测方法和系统。

背景技术

目前，城市防控的图像识别场景主要有路面施工破损、车辆违停、河面漂浮物、垃圾倾倒等应用场景。由于以上应用场景广泛地分布于城市的各个部分中，需要不同的公司之间进行协作。 例如公司A使用摄像头进行图像数据采集，公司B采用无人机挂载摄像头进行图形采集，由于不同的公司所采集的图片因数据安全、隐私保护等原因无法实现直接共享，需要建立联邦训练网络在各公司本地对数据特征进行提取，并应用同态加密技术将数据推送到云端进行全局训练，并将训练好的网络参数分别回传到公司A和公司B解密后进行后续模型应用。

由于不同公司更新图像、模型训练的频率不同，全局的同步联邦计算需消耗更多人力物力对边端设备进行统一管理，效率低下；而且通过无人机和固定摄像机获取的图像角度等会有显著差异，导致在训练的时候不精准。

发明内容

本发明的目的是提供一种基于异步联邦学习的城市防控图像检测方法和系统，旨在解决现有技术中，采用全局的同步联邦计算策略，需消耗更多人力物力对边端设备进行统一管理，效率低下，图像角度等的差异导致训练不精准的问题。

第一方面，本发明实施例提供了一种基于异步联邦学习的城市防控图像检测方法，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。

第二方面，本发明实施例提供了一种基于异步联邦学习的城市防控图像检测系统，其特征在于，包括：云端服务器和各端部设备；

所述云端服务器用于初始化全局模型；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；

所述端部设备用于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；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；将所述本地模型通过同态加密后上传至云端服务器。

本发明实施例通过将各城市防控图像数据限制在各端部设备中进行标注和训练，安全性得到很好的保障；而且通过异步联邦计算策略，云端服务器对各端部设备训练的本地模型进行权重计算，选择权重较大的本地模型进行全局训练，使得参与训练的本地模型之间的联系更加紧密，相关度较高，且同同步联邦计算策略比较，不用等所有端部设备都训练出本轮的本地模型后才能进行全局训练，效率更高，且没有在使用的端部设备可以进行其他工作，不会一直被占用着；

同时，通过在各端部设备对城市防控图像数据中的训练集进行筛选，得到与测试集数据分布接近的待训练集，提高模型的训练精准度。