【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請(qǐng)涉及人工智能，尤其涉及一種基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法、系統(tǒng)、設(shè)備、介質(zhì)及產(chǎn)品。
技術(shù)介紹
1、圖像語(yǔ)義分割在圖像識(shí)別方面有著廣泛的應(yīng)用，比如通過(guò)對(duì)高分辨率遙感影像進(jìn)行圖像中識(shí)別，可以快速準(zhǔn)確地獲取不同區(qū)域內(nèi)陸地(如農(nóng)田、水體、建筑物等)的空間分布及其數(shù)量特征。這種技術(shù)除了針對(duì)遙感圖像，還可擴(kuò)展至其他圖像領(lǐng)域，比如醫(yī)學(xué)影像識(shí)別、交通監(jiān)控、環(huán)境檢測(cè)等等。隨著深度學(xué)習(xí)的發(fā)展，全卷積神經(jīng)網(wǎng)絡(luò)(fcn，fullyconvolutional?networks)成為語(yǔ)義分割領(lǐng)域的重要技術(shù)。fcn使用卷積層代替了全連接層，圖像的輸入由此可以不用固定。隨著技術(shù)的進(jìn)一步發(fā)展，deeplabv3提出了空洞卷積和空間金字塔池化模塊，接著deeplabv3+在deeplabv3的基礎(chǔ)上將淺層特征與高層特征進(jìn)行融合，從而提高了邊界識(shí)別的準(zhǔn)確率。目前deeplabv3+采用的主干特征提取網(wǎng)絡(luò)為xception，但在實(shí)際應(yīng)用中由于xception的模型參數(shù)過(guò)多，會(huì)導(dǎo)致訓(xùn)練非常耗時(shí)且在模型的應(yīng)用過(guò)程中對(duì)設(shè)備計(jì)算性能要求較高，難靈活實(shí)施。
2、上述內(nèi)容僅用于輔助理解本申請(qǐng)的技術(shù)方案，并不代表承認(rèn)上述內(nèi)容是現(xiàn)有技術(shù)。
技術(shù)實(shí)現(xiàn)思路
1、本申請(qǐng)的主要目的在于提供一種基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法、系統(tǒng)、設(shè)備、介質(zhì)及產(chǎn)品，旨在解決目前現(xiàn)有圖像識(shí)別模型中主干特征提取網(wǎng)絡(luò)模型參數(shù)過(guò)多，對(duì)應(yīng)用設(shè)備計(jì)算性能要求較高的技術(shù)問(wèn)題。
2、為實(shí)現(xiàn)上述目的，本申請(qǐng)?zhí)岢鲆环N基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，應(yīng)用于區(qū)塊鏈上任意的一
3、基于本地訓(xùn)練樣本對(duì)待訓(xùn)練的全局圖像識(shí)別模型進(jìn)行訓(xùn)練，得到所述全局圖像識(shí)別模型的模型更新參數(shù)，其中，所述全局圖像識(shí)別模型中的預(yù)設(shè)特征提取網(wǎng)絡(luò)部分由不攜帶膨脹系數(shù)的第一倒殘差塊以及攜帶膨脹系數(shù)的第二到殘差塊組成；
4、將所述模型更新參數(shù)發(fā)送至區(qū)塊鏈上的領(lǐng)導(dǎo)節(jié)點(diǎn)，其中，所述領(lǐng)導(dǎo)節(jié)點(diǎn)在接收到所述模型更新參數(shù)后，將結(jié)合其它訓(xùn)練參與節(jié)點(diǎn)發(fā)送的模型更新參數(shù)對(duì)所述全局圖像識(shí)別模型進(jìn)行聚合更新，得到新的全局圖像識(shí)別模型，并將所述新的全局圖像識(shí)別模型將廣播至區(qū)塊鏈上的各訓(xùn)練參與節(jié)點(diǎn)；
5、接收所述領(lǐng)導(dǎo)節(jié)點(diǎn)發(fā)送的所述新的全局圖像識(shí)別模型。
6、可選地，所述本地訓(xùn)練樣本為本地圖像樣本，所述基于本地訓(xùn)練樣本對(duì)待訓(xùn)練的全局圖像識(shí)別模型進(jìn)行訓(xùn)練，得到所述全局圖像識(shí)別模型的模型更新參數(shù)的步驟包括：
7、通過(guò)所述預(yù)設(shè)特征提取網(wǎng)絡(luò)部分中的各第一倒殘差塊和各第二倒殘差塊，對(duì)所述本地圖像樣本進(jìn)行特征提取得到圖像特征；
8、通過(guò)所述全局圖像識(shí)別模型中的預(yù)設(shè)特征識(shí)別網(wǎng)絡(luò)部分，對(duì)所述圖像特征進(jìn)行分類，得到所述本地圖像樣本的圖像識(shí)別結(jié)果；
9、基于所述圖像識(shí)別結(jié)果與所述本地圖像樣本對(duì)應(yīng)標(biāo)簽之間的差異，計(jì)算所述全局圖像識(shí)別模型關(guān)于所述本地圖像樣本的模型更新參數(shù)。
10、可選地，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法還包括：
11、確定本地訓(xùn)練樣本的樣本數(shù)量，并將所述樣本數(shù)量發(fā)送至所述領(lǐng)導(dǎo)節(jié)點(diǎn)，其中，所述樣本數(shù)量用于確定所述模型更新參數(shù)在所述聚合更新中的加權(quán)系數(shù)。
12、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提出一種基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，應(yīng)用于區(qū)塊鏈上的領(lǐng)導(dǎo)節(jié)點(diǎn)，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法還包括：
13、接收各訓(xùn)練參與節(jié)點(diǎn)發(fā)送的各模型更新參數(shù)，其中，對(duì)于各模型更新參數(shù)中的任意一個(gè)模型更新參數(shù)，所述模型更新參數(shù)由發(fā)送所述模型更新參數(shù)的訓(xùn)練參與節(jié)點(diǎn)，基于所述訓(xùn)練參與節(jié)點(diǎn)本地訓(xùn)練樣本對(duì)待訓(xùn)練的全局圖像識(shí)別模型進(jìn)行訓(xùn)練得到，其中，所述全局圖像識(shí)別模型中的預(yù)設(shè)特征提取網(wǎng)絡(luò)部分由多個(gè)不攜帶膨脹系數(shù)的倒殘差塊以及多個(gè)攜帶膨脹系數(shù)的到殘差塊組成：
14、基于所述各模型更新參數(shù)，對(duì)所述全局圖像識(shí)別模型進(jìn)行聚合更新，得到新的全局圖像識(shí)別模型；
15、將所述新的全局圖像識(shí)別模型廣播至所述各訓(xùn)練參與節(jié)點(diǎn)。
16、可選地，所述基于所述各模型更新參數(shù)，對(duì)所述全局圖像識(shí)別模型進(jìn)行聚合更新，得到新的全局圖像識(shí)別模型的步驟包括：
17、接收各訓(xùn)練參與節(jié)點(diǎn)發(fā)送的本地訓(xùn)練樣本的樣本數(shù)量；
18、基于各訓(xùn)練參與節(jié)點(diǎn)的樣本數(shù)量，對(duì)所述各模型更新參數(shù)進(jìn)行加權(quán)聚合更新操作，得到所述新的全局圖像識(shí)別模型，其中，模型更新參數(shù)對(duì)應(yīng)訓(xùn)練參與節(jié)點(diǎn)所擁有的本樣本數(shù)量越多，則模型更新參數(shù)在加權(quán)聚合更新操作中的加權(quán)系數(shù)越高。
19、可選地，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法還包括：
20、接收區(qū)塊鏈上各候選節(jié)點(diǎn)發(fā)送的及節(jié)點(diǎn)訓(xùn)練條件信息，其中，所述節(jié)點(diǎn)訓(xùn)練條件信息包括節(jié)點(diǎn)計(jì)算能力、節(jié)點(diǎn)本地?cái)?shù)據(jù)集以及節(jié)點(diǎn)模型訓(xùn)練損失中的至少一種；
21、根據(jù)各節(jié)點(diǎn)訓(xùn)練條件信息計(jì)算各候選節(jié)點(diǎn)的節(jié)點(diǎn)得分，其中，節(jié)點(diǎn)計(jì)算能力越強(qiáng)、節(jié)點(diǎn)本地?cái)?shù)據(jù)集越大、節(jié)點(diǎn)模型訓(xùn)練損失越多，則節(jié)點(diǎn)得分越高；
22、根據(jù)各節(jié)點(diǎn)得分從各候選節(jié)點(diǎn)中選出所述各訓(xùn)練參與節(jié)點(diǎn)，其中，候選節(jié)點(diǎn)的節(jié)點(diǎn)得分越高，則候選節(jié)點(diǎn)被選為訓(xùn)練參與節(jié)點(diǎn)概率越高。
23、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提出一種電子設(shè)備，所述設(shè)備包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序配置為實(shí)現(xiàn)如上文所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法的步驟。
24、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提出一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)為計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法的步驟。
25、此外，為實(shí)現(xiàn)上述目的，本申請(qǐng)還提供一種計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法的步驟。
26、本申請(qǐng)?zhí)岢龅囊粋€(gè)或多個(gè)技術(shù)方案，至少具有以下技術(shù)效果：
27、在本申請(qǐng)實(shí)施例中，基于本地訓(xùn)練樣本對(duì)待訓(xùn)練的全局圖像識(shí)別模型進(jìn)行訓(xùn)練，得到所述全局圖像識(shí)別模型的模型更新參數(shù)，其中，所述全局圖像識(shí)別模型中的預(yù)設(shè)特征提取網(wǎng)絡(luò)部分由不攜帶膨脹系數(shù)的第一倒殘差塊以及攜帶膨脹系數(shù)的第二到殘差塊組成；將所述模型更新參數(shù)發(fā)送至區(qū)塊鏈上的領(lǐng)導(dǎo)節(jié)點(diǎn)，其中，所述領(lǐng)導(dǎo)節(jié)點(diǎn)在接收到所述模型更新參數(shù)后，將結(jié)合其它訓(xùn)練參與節(jié)點(diǎn)發(fā)送的模型更新參數(shù)對(duì)所述全局圖像識(shí)別模型進(jìn)行聚合更新，得到新的全局圖像識(shí)別模型，并將所述新的全局圖像識(shí)別模型將廣播至區(qū)塊鏈上的各訓(xùn)練參與節(jié)點(diǎn)；接收所述領(lǐng)導(dǎo)節(jié)點(diǎn)發(fā)送的所述新的全局圖像識(shí)別模型。也即在本實(shí)施例中基于區(qū)塊鏈上的訓(xùn)練參與節(jié)點(diǎn)和領(lǐng)導(dǎo)節(jié)點(diǎn)構(gòu)建了聯(lián)邦學(xué)習(xí)的框架，從而保證了各練參與節(jié)點(diǎn)本地?cái)?shù)據(jù)的安全性。同時(shí)，在本實(shí)施例中全局圖像識(shí)別模型中的預(yù)設(shè)特征提取網(wǎng)絡(luò)部分由不攜帶膨脹系數(shù)的第一倒殘差塊以及攜帶膨脹系數(shù)的第二到殘差塊組成，與deeplabv3+的主干特征提取網(wǎng)絡(luò)xception相比，既沒(méi)有使用輸入-中間-輸出流這種復(fù)雜結(jié)構(gòu)，也沒(méi)有全連接層，而是僅僅使用倒本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，應(yīng)用于區(qū)塊鏈上任意的一個(gè)訓(xùn)練參與節(jié)點(diǎn)，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法包括以下步驟：
2.如權(quán)利要求1所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述本地訓(xùn)練樣本為本地圖像樣本，所述基于本地訓(xùn)練樣本對(duì)待訓(xùn)練的全局圖像識(shí)別模型進(jìn)行訓(xùn)練，得到所述全局圖像識(shí)別模型的模型更新參數(shù)的步驟包括：
3.如權(quán)利要求1所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法還包括：
4.一種基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，應(yīng)用于區(qū)塊鏈上的領(lǐng)導(dǎo)節(jié)點(diǎn)，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法還包括：
5.如權(quán)利要求4所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述基于所述各模型更新參數(shù)，對(duì)所述全局圖像識(shí)別模型進(jìn)行聚合更新，得到新的全局圖像識(shí)別模型的步驟包括：
6.如權(quán)利要求4所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法還包括：
7.一種基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)系統(tǒng)，其特征在于，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)系統(tǒng)包括：
8.一種電子設(shè)備，其特征在于，所
9.一種存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)為計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至6中任一項(xiàng)所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)的步驟。
10.一種計(jì)算機(jī)程序產(chǎn)品，其特征在于，所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至6中任一項(xiàng)所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)的步驟。
...【技術(shù)特征摘要】
1.一種基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，應(yīng)用于區(qū)塊鏈上任意的一個(gè)訓(xùn)練參與節(jié)點(diǎn)，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法包括以下步驟：
2.如權(quán)利要求1所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述本地訓(xùn)練樣本為本地圖像樣本，所述基于本地訓(xùn)練樣本對(duì)待訓(xùn)練的全局圖像識(shí)別模型進(jìn)行訓(xùn)練，得到所述全局圖像識(shí)別模型的模型更新參數(shù)的步驟包括：
3.如權(quán)利要求1所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法還包括：
4.一種基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，應(yīng)用于區(qū)塊鏈上的領(lǐng)導(dǎo)節(jié)點(diǎn)，所述基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法還包括：
5.如權(quán)利要求4所述的基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)方法，其特征在于，所述基于所述各模型更新參數(shù)，對(duì)所述全局圖像識(shí)別模型進(jìn)行聚合更新，得到新的全局圖像識(shí)別模型的步驟包括：
6.如權(quán)利...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：郭彭鵬，周曉陽(yáng)，應(yīng)葆華，劉淵淵，韓威，
申請(qǐng)(專利權(quán))人：中國(guó)移動(dòng)紫金江蘇創(chuàng)新研究院有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。