[发明专利]基于联邦风格迁移的水务河道漂浮物检测方法

权利要求书

1.基于联邦风格迁移的水务河道漂浮物检测方法，其特征在于，所述方法基于联邦学习模型，所述联邦学习模型包括一个服务节点、m个用户节点，所述m个用户节点包括训练节点、其他节点；所述用户节点中，若指定其中节点为训练节点，则除去所述训练节点以外的用户节点为其他节点；

S1、所述m个用户节点分别采集并构建本地河道图像数据集，不同用户节点共享典型风格图像，各用户节点分别构建有风格迁移模型，对本地图像进行风格迁移；

S2、所述服务节点构建有图像识别模型，采用服务节点的数据集对所述图像识别模型进行初始化；

S3、所述服务节点采用广播的方式将初始化图像识别模型发给每个所述用户节点；

S4、所述服务节点随机挑选n个用户节点作为训练节点，其中nm，剩余节点为其他节点，各所述训练节点基于各自风格迁移后的本地图像数据集对图像识别模型进行训练；

S5、各所述训练节点将训练好的图像识别模型参数返回给所述服务节点，所述服务节点将收集来的n个模型参数进行整合，得到合并模型；

S6、所述服务节点对所述合并模型的效果进行验证，若结果不满足条件则依次执行S4-S5，至结果满足条件终止训练，得到河道漂浮物检测模型；

S7、采用所述河道漂浮物检测模型对河道漂浮物进行检测。

2.根据权利要求1所述的基于联邦风格迁移的水务河道漂浮物检测方法，其特征在于，所述风格迁移模型包括图像内容生成模块、图像风格生成模块和图像特征增强模块；

所述图像内容生成模块，首先给定随机噪声图像x和内容图p，以及训练好的CNN网络，将随机图x输入到CNN中，在第l层输出的特征图为表示第i个滤波器在第l层j处的激活；将内容图p输入到CNN中，在第l层输出的特征图为表示为第i个滤波器在第l层j处的激活，定义随机图和内容图的损失函数为：

在训练过程中保持CNN的参数不变，采用梯度下降法更新输入图像x；

所述图像风格生成模块，将特征图F∈R^C×H×W的不同通道表征着图像的不同特征，其中C表示卷积核个数，H、W分别表示特征图的长与宽，把特征图的不同通道展开写成一行，则其维度变为F∈R^C×HW，其不同特征的相关性用Gram矩阵表示：

其中，表示第i个滤波器在第l层k处的激活，表示第j个滤波器在第l层k处的激活，为第l层特征映射i与j的内积；

在CNN的第l层定义的损失函数为：

其中是随机图x在第l层的特征图的Gram矩阵，是风格图a在第l层的特征图的Gram矩阵；同时采用多个层的风格损失，其中w_l是不同层的风格损失的权重；

通过保持CNN参数不变，使用梯度下降法在训练中不断更新随机图，即能使其具有风格图的纹理特征；

所述图像特征增强模块采用非线性扩散滤波对更新后的随机图x′进行特征增强，即令令其中，f是增强函数，是图像x′的梯度，θ是经验常数，k是扩散系数，得到最终的风格迁移图像。