[发明专利]基于联邦小样本学习的轻量工业图片分类方法及系统

权利要求书

1.基于联邦小样本学习的轻量工业图片分类方法，其特征在于，包括以下步骤：

基于联邦小样本学习框架对工业图片分类系统进行建模，系统包括一个云端服务器c和一组兴趣相同的工业机构ε，各e_i∈ε单独持有各自本地样本集

对于所构建的系统模型中的各工业机构，对小样本图片分类任务进行建模，每个任务包含支持集和查询集

构建由嵌入模块l_θ和关系模块g_φ组成的基于轻量关系网络的小样本分类器f，其中θ、φ为函数l、g的参数；

基于小样本图片分类任务构建小样本分类器f的训练方法；

基于小样本分类器训练方法，构建小样本分类器的边云协同部署与训练方法，其中，将完整的基于轻量关系网络的小样本图片分类器部署在c上，将嵌入模块部署在所有e_i∈ε上，沿离散时间点t＝0,1,…,T，基于步骤4中的训练方法，对分类器进行训练，其中T为预设模型迭代次数；

基于小样本分类器的边云协同部署与训练方法，部署并训练构建的小样本分类器训练结束后，初始化每个外部客户的模型在本地进行模型推理。

2.根据权利要求1所述的基于联邦小样本学习的轻量工业图片分类方法，其特征在于，利用联邦小样本学习技术对工业图片分类系统进行建模，保证各工业机构隐私的同时支持跨异构且样本受限的工业图片孤岛的全局小样本图片分类器训练，所得全局图片分类器不仅适用于联邦模型训练参与客户，还适用于持有训练期间未见类样本的外部客户。

3.根据权利要求2所述的基于联邦小样本学习的轻量工业图片分类方法，其特征在于，具体操作为：基于联邦小样本学习的工业图片分类系统建模，系统包括一个云端服务器c和一组兴趣相同的工业机构ε＝e_i，其中各e_i∈ε单独持有各自本地样本集其中，e_i持有类样本，为e_i上的第j类样本，对于所有e_i,e_j∈ε，i≠j，c可接收ε发送的消息但不可访问其样本集，ε可接收c发送的消息，但ε内部无法互通，设联邦小样本图片分类器训练参与客户集外部客户集

4.根据权利要求1所述的基于联邦小样本学习的轻量工业图片分类方法，其特征在于，对小样本图片分类任务T进行建模的具体操作为：分类器f上的C-way K-shot图片分类任务包含支持集和查询集含C×K个有标签样本，含C×K'个待分类样本(，要求f基于对进行分类。

5.根据权利要求1所述的基于联邦小样本学习的轻量工业图片分类方法，其特征在于，基于轻量关系网络的小样本分类器f，利用关系网络技术构建基于轻量关系网络的小样本图片分类器。

6.根据权利要求5所述的基于联邦小样本学习的轻量工业图片分类方法，其特征在于，具体操作为：构建一个多层CNN模型f，由嵌入模块l_θ和关系模块g_φ组成，其中θ、φ为函数l、g的参数，l_θ提取输入图像样本特征图，含两个卷积块，各有一个含32个3×3滤波器的卷积层、一个批量归一化层、一个ReLU非线性层和一个2×2最大池化层；g_φ基于特征图相似度确定两个输入样本是否属同一类，含上述两个卷积块、一个基于ReLU的8维全连接层和一个基于Sigmoid的1维全连接层，对于单、三通道图像，最后一个最大池化层输出大小H为32、32×3×3。

7.根据权利要求1所述的基于联邦小样本学习的轻量工业图片分类方法，其特征在于，小样本分类器f的训练方法的具体操作为：基于的小样本图片分类任务对任意样本对基于嵌入模块获得特征图l_θ(x_a)、l_θ(x_b)，基于关系模块计算关系分数其中，为特征图连接操作，采用关系矩阵组织所有样本对的关系分数，分类器损失其中：

通过随机梯度下降，更新模型参数θ^*,φ^*。