[发明专利]一种基于多阶段个性化联邦学习的安全帽检测方法

说明书

本发明涉及一种基于多阶段个性化联邦学习的安全帽检测方法，该方法将不同场景下的安全帽数据拥有者参与建模的过程分为：模型初始化、全局模型优化、客户端模型个性化、客户端模型调优四个阶段。首先，通过公开的安全帽检测数据集构建出一个初始化模型；其次，在共同建模过程中引入描述全局安全帽检测模型与客户端模型差异性的正则项，从而得到一个具有较高泛化性的全局安全帽检测模型；然后，冻结该全局安全帽检测模型的骨干网络并进行个性化迁移；最后，解冻个性化安全帽检测模型的骨干网络并对该模型再次调优。与现有技术相比，本发明解决或部分解决了现有方法在本地缺乏足够学习训练数据样本，模型难以训练且精度偏低的问题。

技术领域

本发明涉及联邦学习技术领域，尤其是涉及一种基于多阶段个性化联邦学习的安全帽检测方法。

背景技术

安全帽是保证工人生产安全的重要设备，能够有效预防和避免工人在生产过程中受到意外伤害。随着基于深度学习的目标检测算法不断发展和应用，使用智能识别技术代替人工监督是一大趋势。目前，基于深度学习的目标检测模型往往需要大量的训练样本才能实现较好的检测结果。然而，在实际领域，由于安全帽检测数据存在泄漏企业隐私的可能性，以及国家对隐私数据的管理措施和要求，安全帽检测数据通常以孤岛的形式存在，很难收集到大量的安全帽检测数据去训练出一个高准确率和高鲁棒性兼顾的模型。联邦学习作为一种能够保护用户数据隐私安全的分布式机器学习技术，能够在各参与方不分享数据的情况下，使各方共同参与建模，进而提升各参与方模型的性能。虽然联邦学习算法可以同时协同多个参与方建立多个高性能模型，但是当各参与方拥有的数据不满足独立同分布特性时，传统的联邦平均算法性能将大幅度降低，甚至模型完全不能收敛。

一方面，现有的安全帽检测算法仅针对某种场景进行数据收集与模型训练，当本地缺乏大量数据样本时，目标检测模型往往难以收敛。另一方面，现有的个性化联邦学习方法，例如基于数据增强(data Augmentation)、基于客户端选择(client selection)、基于元学习(meta-learning)等方法，或是存在泄漏数据隐私的风险，或是计算复杂代价昂贵，或是需要先选择出具有代表性的数据集，因此，个性化联邦学习算法性能还有很大的提升空间。并且，目前的个性化联邦算法，大多针对简单的分类模型，就复杂的安全帽检测模型来说，如何高效地协同各参与方进行模型训练也是一大难题。

安全帽检测的场景通常差异性极大，因此需要设计出参与方具有一定个性化的联邦学习算法来保证各参与方模型的性能，使得安全帽检测精准有效，保障生产和生命安全。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多阶段个性化联邦学习的安全帽检测方法，通过模型初始化、全局模型优化、客户端模型个性化和客户端模型调优四个阶段获取最终的安全帽检测模型进行安全帽检测，由于本方法综合公开和私有的安全帽检测数据对模型进行训练，同时私有的安全帽检测数据无需上传服务端，能够在不泄漏私有数据前提下，提升本地安全帽检测模型性能。

本发明的目的可以通过以下技术方案来实现：

本发明提供了一种基于多阶段个性化联邦学习的安全帽检测方法，应用于服务端，包括如下步骤：

获取公开安全帽检测数据，建立全局检测模型，基于所述公开安全帽检测数据对所述全局检测模型进行初始训练，完成模型的初始化，将训练好的全局检测模型下发给各个客户端；

获取各个客户端基于私有安全帽检测数据进行学习后的模型，并对所述全局检测模型进行更新，将更新后的全局检测模型下发给各个客户端，多次重复本步骤，实现全局模型的优化；

各个客户端经过全局模型个性化处理以及全局模型调优处理后，使用处理后的全局模型进行安全帽检测。

作为优选的技术方案，各个客户端经过学习后的模型的获取过程包括如下步骤：