【技術實現步驟摘要】
本專利技術涉及計算機視覺，具體涉及一種基于聯邦學習的船舶檢測網絡訓練方法及應用方法。
技術介紹
1、水路交通視覺監管在現代海事領域中有著重要的作用。隨著航運業的快速發展，對水路交通監控系統的需求日益增加。有效的水路交通監管系統不僅可以提高船舶交通管理的效率，還能夠預防事故、確保海上安全，并支持海事執法等關鍵任務。隨著深度學習技術的迅猛發展，基于圖像和視頻的水路交通監管得到了顯著改善。深度學習算法的強大特征提取能力使得船舶和其他水路交通目標的自動識別成為可能。然而在大規模水域中，傳統的集中式機器學習訓練過程中需要獲取各部門的數據，對于海事領域來說，集中式機器學習方法難以滿足各海事監管部門對隱私安全的需求。
2、為了保障訓練過程中各海事監管部門（客戶端）的數據隱私安全，聯邦學習作為一種分布式機器學習方法，逐漸受到研究者的關注。聯邦學習允許多個水路交通監管部門利用各自的數據集對各自模型進行訓練，并共享訓練得到的網絡參數，在保證數據隱私的前提下，共同協作訓練機器學習模型。但在目前的聯邦學習中，由于不同來源的數據分布不均勻，數據質量參差不齊，現有的聯邦學習方法在訓練過程中難以合理利用這些分布不平衡且質量參差不齊的訓練數據，進而導致模型準確性降低。
3、因此現有的聯邦學習方法在訓練過程中難以合理利用分布不平衡且質量參差不齊的訓練數據，導致模型準確性降低的技術問題，需要改進。
技術實現思路
1、有鑒于此，有必要提供一種基于聯邦學習的船舶檢測網絡訓練方法及應用方法，用于解決
2、為了解決上述技術問題，一方面，本專利技術提供了一種基于聯邦學習的船舶檢測網絡訓練方法，包括：
3、構建船舶檢測網絡和多個客戶端的多個局部檢測網絡；
4、將獲取的船舶圖像數據輸入各局部檢測網絡，對船舶圖像數據進行雙分支注意力增強和特征融合檢測得到船舶檢測輸出，基于動態非單調聚焦法確定預測總損失，根據預測總損失更新局部檢測網絡的局部參數；
5、對各局部檢測網絡的局部參數自適應加權聚合得到船舶檢測網絡的全局參數，根據全局參數更新局部參數得到新一輪局部檢測網絡，迭代更新局部參數和全局參數直到網絡性能不再提升。
6、在一種可能的實現方式中，船舶圖像數據包括各客戶端獲取的本地船舶圖像數據，且本地船舶圖像數據分別輸入對應客戶端的局部檢測網絡。
7、在一種可能的實現方式中，對船舶圖像數據進行雙分支注意力增強和特征融合檢測得到船舶檢測輸出，包括：
8、對船舶圖像數據進行特征切分得到若干輸入特征圖像；
9、對輸入特征圖像進行雙分支注意力增強得到增強特征圖像；
10、對增強特征圖像進行多尺度特征提取和預測輸出得到船舶檢測輸出。
11、在一種可能的實現方式中，對船舶圖像數據進行特征切分得到若干輸入特征圖像，包括：
12、對船舶圖像數據特征卷積后進行通道維度特征切分得到若干輸入特征圖像。
13、在一種可能的實現方式中，對輸入特征圖像進行雙分支注意力增強得到增強特征圖像，包括：
14、對輸入特征圖像分別進行高度平均池化和寬度平均池化得到高度特征圖和寬度特征圖；
15、將高度特征圖和寬度特征圖依次經過1×1卷積，sigmoid激活函數，加權合并和組歸一化得到第一分支特征；
16、對輸入特征圖像進行3×3卷積得到第二分支特征；
17、將第一分支特征依次經過2d平均池化和softmax激活函數后矩陣乘法融合第二分支特征得到第一注意力特征，將第二分支特征依次經過2d平均池化和softmax激活函數后矩陣乘法融合第一分支特征得到第二注意力特征；
18、將第一注意力特征和第二注意力特征合并后經過sigmoid激活函數得到跨空間注意力權重，根據跨空間注意力權重對輸入特征圖像進行特征加權得到增強特征圖像。
19、在一種可能的實現方式中，基于動態非單調聚焦法確定預測總損失，包括：
20、基于雙層距離注意機制對船舶檢測輸出進行損失計算得到初始邊界框損失；
21、根據迭代輪次確定指數移動平均值，根據指數移動平均值確定錨框離群度，根據錨框離群度確定非單調聚焦系數，根據非單調聚焦系數和初始邊界框損失確定邊界框回歸損失；
22、根據船舶檢測輸出確定預測概率損失和分類損失；
23、根據邊界框回歸損失、預測概率損失和分類損失確定預測總損失。
24、在一種可能的實現方式中，對各局部檢測網絡的局部參數自適應加權聚合得到船舶檢測網絡的全局參數，包括：
25、根據各客戶端的船舶圖像數據中有效數據量確定聚合權重；
26、根據聚合權重對局部參數自適應加權聚合得到船舶檢測網絡的全局參數。
27、另一方面，本專利技術還提供了一種船舶檢測網絡應用方法，包括：
28、獲取待檢測船舶圖片；
29、將待檢測船舶圖片輸入到訓練完備的船舶檢測網絡，得到船舶檢測結果；
30、其中，訓練完備的船舶檢測網絡根據上述的基于聯邦學習的船舶檢測網絡訓練方法確定。
31、另一方面，本專利技術還提供了一種電子設備，包括處理器、存儲器及存儲在存儲器上并可在處理器上運行的計算機程序，處理器執行程序時，實現上述的基于聯邦學習的船舶檢測網絡訓練方法和/或上述的船舶檢測網絡應用方法。
32、另一方面，本專利技術還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，計算機程序被處理器執行時，實現上述的基于聯邦學習的船舶檢測網絡訓練方法和/或上述的船舶檢測網絡應用方法。
33、本專利技術的有益效果是：本專利技術實施例提供的基于聯邦學習的船舶檢測網絡訓練方法，首先構建船舶檢測網絡和多個客戶端的多個局部檢測網絡；然后將獲取的船舶圖像數據輸入各局部檢測網絡，對船舶圖像數據進行雙分支注意力增強和特征融合檢測得到船舶檢測輸出，基于動態非單調聚焦法確定預測總損失，根據預測總損失更新局部檢測網絡的局部參數；最后對各局部檢測網絡的局部參數自適應加權聚合得到船舶檢測網絡的全局參數，根據全局參數更新局部參數得到新一輪局部檢測網絡，迭代更新局部參數和全局參數直到網絡性能不再提升。本專利技術在聯邦學習過程中，通過雙分支注意力增強以學習更加全面的特征信息，通過動態非單調聚焦平衡不同質量的訓練數據，通過對局部參數自適應加權聚合以平衡不同分布的訓練數據，可以在保護各客戶端數據隱私的前提下合理利用各客戶端的訓練數據，有效提高聯邦學習訓練得到的船舶檢測網絡的準確性。
本文檔來自技高網...【技術保護點】
1.一種基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，包括：
2.根據權利要求1所述的基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，所述船舶圖像數據包括各客戶端獲取的本地船舶圖像數據，且所述本地船舶圖像數據分別輸入對應所述客戶端的所述局部檢測網絡。
3.根據權利要求1所述的基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，所述對所述船舶圖像數據進行雙分支注意力增強和特征融合檢測得到船舶檢測輸出，包括：
4.根據權利要求3所述的基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，所述對所述船舶圖像數據進行特征切分得到若干輸入特征圖像，包括：
5.根據權利要求3所述的基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，所述對所述輸入特征圖像進行雙分支注意力增強得到增強特征圖像，包括：
6.根據權利要求1所述的基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，所述基于動態非單調聚焦法確定預測總損失，包括：
7.根據權利要求1所述的基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，所述對各所述局部檢測網絡的局部參數自適應加權聚
8.一種船舶檢測網絡應用方法，其特征在于，包括：
9.一種電子設備，包括處理器、存儲器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，處理器執行程序時，實現根據權利要求1至7任一項所述的基于聯邦學習的船舶檢測網絡訓練方法和/或根據權利要求8所述的船舶檢測網絡應用方法。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時，實現根據權利要求1至7任一項所述的基于聯邦學習的船舶檢測網絡訓練方法和/或根據權利要求8所述的船舶檢測網絡應用方法。
...【技術特征摘要】
1.一種基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，包括：
2.根據權利要求1所述的基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，所述船舶圖像數據包括各客戶端獲取的本地船舶圖像數據，且所述本地船舶圖像數據分別輸入對應所述客戶端的所述局部檢測網絡。
3.根據權利要求1所述的基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，所述對所述船舶圖像數據進行雙分支注意力增強和特征融合檢測得到船舶檢測輸出，包括：
4.根據權利要求3所述的基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，所述對所述船舶圖像數據進行特征切分得到若干輸入特征圖像，包括：
5.根據權利要求3所述的基于聯邦學習的船舶檢測網絡訓練方法，其特征在于，所述對所述輸入特征圖像進行雙分支注意力增強得到增強特征圖像，包括：
6.根據權利要求1所述的基于聯邦學習的...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。