【技術實現步驟摘要】
本說明書實施例涉及人工智能，特別涉及一種圖像處理模型訓練方法；本說明書一個或者多個實施例同時涉及另一種圖像處理模型訓練方法，一種圖像處理模型訓練系統，一種計算設備，一種計算機可讀存儲介質以及一種計算機程序產品。
技術介紹
1、隨著人工智能技術的不斷發展，神經網絡模型也被廣泛應用于各種數據處理場景；而為了解決訓練數據較少、數據孤島等問題，可以采用分布式機器學習方法進行模型訓練，從而在保證數據安全的同時，避免訓練數據較少、數據孤島等問題；例如，可以采用聯邦學習方法。
2、當前在利用分布式機器學習方法進行模型訓練的過程中，還是存在敏感數據泄露的風險，可能會暴露敏感的隱私信息，因此如何在模型訓練的過程中保證數據安全、避免敏感數據泄露成為亟需解決的問題。
技術實現思路
1、有鑒于此，本說明書實施例提供了一種圖像處理模型訓練方法。本說明書一個或者多個實施例同時涉及另一種圖像處理模型訓練方法，一種圖像處理模型訓練系統，一種圖像處理模型訓練裝置，另一種圖像處理模型訓練裝置，一種計算設備，一種計算機可讀存儲介質以及一種計算機程序產品，以解決現有技術中存在的技術缺陷。
2、根據本說明書實施例的第一方面，提供了一種圖像處理模型訓練方法，應用于第一訓練單元，包括：
3、接收第二訓練單元發送的圖像處理模型，并利用圖像訓練數據對所述圖像處理模型進行模型訓練，獲得所述圖像處理模型中各網絡層的更新數據，其中，所述更新數據用于對所述各網絡層進行參數更新；
4、根據所述
5、利用所述數據敏感信息，對所述各更新數據進行數據脫敏，獲得所述各網絡層的脫敏更新數據；
6、將所述各網絡層的所述脫敏更新數據，發送至所述第二訓練單元進行參數更新。
7、根據本說明書實施例的第二方面，提供了一種圖像處理模型訓練裝置，應用于第一訓練單元，包括：
8、模型訓練模塊，被配置為接收第二訓練單元發送的圖像處理模型，并利用圖像訓練數據對所述圖像處理模型進行模型訓練，獲得所述圖像處理模型中各網絡層的更新數據，其中，所述更新數據用于對所述各網絡層進行參數更新；
9、數據敏感檢測模塊，被配置為根據所述圖像訓練數據中的敏感圖像數據，對各更新數據進行數據敏感檢測，確定所述各更新數據對應的數據敏感信息；
10、數據脫敏模塊，被配置為利用所述數據敏感信息，對所述各更新數據進行數據脫敏，獲得所述各網絡層的脫敏更新數據；
11、數據發送模塊，被配置為將所述各網絡層的所述脫敏更新數據，發送至所述第二訓練單元進行參數更新。
12、根據本說明書實施例的第三方面，提供了另一種圖像處理模型訓練方法，應用于第二訓練單元，包括：
13、將圖像處理模型發送至多個第一訓練單元；
14、接收各第一訓練單元發送的、所述圖像處理模型中各網絡層的脫敏更新數據，其中，脫敏更新數據為所述第一訓練單元對所述各網絡層的更新數據進行數據脫敏獲得，所述更新數據為所述第一訓練單元利用圖像訓練數據對所述圖像處理模型進行模型訓練獲得；
15、利用所述第二訓練單元中的敏感圖像數據，對各脫敏更新數據進行數據敏感檢測，確定各脫敏更新數據對應的數據敏感信息；
16、基于所述數據敏感信息，從所述各脫敏更新數據中確定目標脫敏更新數據；
17、利用所述目標脫敏更新數據，對所述圖像處理模型中的所述各網絡層進行參數更新，獲得更新圖像處理模型。
18、根據本說明書實施例的第四方面，提供了另一種圖像處理模型訓練裝置，應用于第二訓練單元，包括：
19、模型發送模塊，被配置為將圖像處理模型發送至多個第一訓練單元；
20、數據接收模塊，被配置為接收各第一訓練單元發送的、所述圖像處理模型中各網絡層的脫敏更新數據，其中，脫敏更新數據為所述第一訓練單元對所述各網絡層的更新數據進行數據脫敏獲得，所述更新數據為所述第一訓練單元利用圖像訓練數據對所述圖像處理模型進行模型訓練獲得；
21、數據敏感檢測模塊，被配置為利用所述第二訓練單元中的敏感圖像數據，對各脫敏更新數據進行數據敏感檢測，確定各脫敏更新數據對應的數據敏感信息；
22、數據確定模塊，被配置為基于所述數據敏感信息，從所述各脫敏更新數據中確定目標脫敏更新數據；
23、參數更新模塊，被配置為利用所述目標脫敏更新數據，對所述圖像處理模型中的所述各網絡層進行參數更新，獲得更新圖像處理模型。
24、根據本說明書實施例的第五方面，提供了一種圖像處理模型訓練系統，包括服務端和多個客戶端，其中，
25、所述服務端，用于將圖像處理模型發送至所述多個客戶端，接收各客戶端發送的、所述圖像處理模型中各網絡層的脫敏更新數據，其中，脫敏更新數據為所述客戶端對所述各網絡層的更新數據進行數據脫敏獲得，所述更新數據為所述客戶端利用圖像訓練數據對所述圖像處理模型進行模型訓練獲得，利用所述服務端中的敏感圖像數據，對各脫敏更新數據進行數據敏感檢測，確定各脫敏更新數據對應的數據敏感信息，基于所述數據敏感信息，從所述各脫敏更新數據中確定目標脫敏更新數據，利用所述目標脫敏更新數據，對所述圖像處理模型中的所述各網絡層進行參數更新，獲得更新圖像處理模型；
26、所述客戶端，用于接收所述服務端發送的所述圖像處理模型，并利用所述圖像訓練數據對所述圖像處理模型進行模型訓練，獲得所述圖像處理模型中各網絡層的所述更新數據，其中，所述更新數據用于對所述各網絡層進行參數更新，根據所述圖像訓練數據中的敏感圖像數據，對各更新數據進行數據敏感檢測，確定所述各更新數據對應的數據敏感信息，利用所述數據敏感信息，對所述各更新數據進行數據脫敏，獲得所述各網絡層的所述脫敏更新數據，將所述各網絡層的所述脫敏更新數據發送至所述服務端進行參數更新。
27、根據本說明書實施例的第六方面，提供了一種計算設備，包括：
28、存儲器和處理器；
29、所述存儲器用于存儲計算機程序/指令，所述處理器用于執行所述計算機程序/指令，該計算機程序/指令被處理器執行時實現上述任意一種方法的步驟。
30、根據本說明書實施例的第七方面，提供了一種計算機可讀存儲介質，其存儲有計算機程序/指令，該計算機程序/指令被處理器執行時實現上述任意一種方法的步驟。
31、根據本說明書實施例的第八方面，提供了一種計算機程序產品，包括計算機程序/指令，該計算機程序/指令被處理器執行時實現上述任意一種方法的步驟。
32、本說明書一個或多個實施例中應用于第一訓練單元的圖像處理模型訓練方法，在分布式機器學習的過程中，可以接收到第二訓練單元發送的圖像處理模型，并利用本地的圖像訓練數據對圖像處理模型進行模型訓練，獲得圖像處理模型中各網絡層的更新數據；在將更新數據發送至第二訓練單元本文檔來自技高網...
【技術保護點】
1.一種圖像處理模型訓練方法，應用于第一訓練單元，包括：
2.根據權利要求1所述的圖像處理模型訓練方法，所述更新數據為梯度數據；
3.根據權利要求2所述的圖像處理模型訓練方法，所述利用所述敏感圖像數據以及所述梯度數據對應的偏導數矩陣，對各梯度數據進行數據敏感檢測，確定所述各梯度數據對應的所述數據敏感信息，包括：
4.根據權利要求1所述的圖像處理模型訓練方法，所述數據敏感信息為數據敏感度；
5.根據權利要求4所述的圖像處理模型訓練方法，所述基于所述各更新數據對應的數據脫敏參數，對所述各更新數據進行數據脫敏，獲得所述各網絡層的所述脫敏更新數據，包括：
6.一種圖像處理模型訓練方法，應用于第二訓練單元，包括：
7.根據權利要求6所述的圖像處理模型訓練方法，所述脫敏更新數據為脫敏梯度數據；
8.根據權利要求7所述的圖像處理模型訓練方法，所述利用所述敏感圖像數據以及所述各脫敏梯度數據對應的偏導數矩陣，對所述各脫敏梯度數據進行數據敏感檢測，確定所述各脫敏梯度數據對應的所述數據敏感信息，包括：
9.
10.根據權利要求6所述的圖像處理模型訓練方法，所述利用所述目標脫敏更新數據，對所述圖像處理模型中的所述各網絡層進行參數更新，獲得更新圖像處理模型之后，還包括：
11.一種圖像處理模型訓練系統，包括服務端和多個客戶端，其中，
12.一種計算設備，包括：
13.一種計算機可讀存儲介質，其存儲有計算機程序/指令，該計算機程序/指令被處理器執行時實現權利要求1至10任意一項所述方法的步驟。
14.一種計算機程序產品，包括計算機程序/指令，該計算機程序/指令被處理器執行時實現權利要求1至10任意一項所述方法的步驟。
...【技術特征摘要】
1.一種圖像處理模型訓練方法，應用于第一訓練單元，包括：
2.根據權利要求1所述的圖像處理模型訓練方法，所述更新數據為梯度數據；
3.根據權利要求2所述的圖像處理模型訓練方法，所述利用所述敏感圖像數據以及所述梯度數據對應的偏導數矩陣，對各梯度數據進行數據敏感檢測，確定所述各梯度數據對應的所述數據敏感信息，包括：
4.根據權利要求1所述的圖像處理模型訓練方法，所述數據敏感信息為數據敏感度；
5.根據權利要求4所述的圖像處理模型訓練方法，所述基于所述各更新數據對應的數據脫敏參數，對所述各更新數據進行數據脫敏，獲得所述各網絡層的所述脫敏更新數據，包括：
6.一種圖像處理模型訓練方法，應用于第二訓練單元，包括：
7.根據權利要求6所述的圖像處理模型訓練方法，所述脫敏更新數據為脫敏梯度數據；
8.根據權利要求7所述的圖像處理模型訓練方法...
【專利技術屬性】
技術研發人員：周宇，劉義，王義，王偉，
申請(專利權)人：重慶螞蟻消費金融有限公司，
類型：發明
國別省市：
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。