一种基于联邦化主动学习的目标检测方法

技术特征：
1.一种基于联邦化主动学习的目标检测方法，其特征在于，服务端首先训练初始模型，然后将其下发到参与联邦训练的客户端，客户端使用本地数据自主进行强化训练，将训练好的参数加密后上传到服务端，服务端对来自各个客户端的模型聚合后再次下发，直到模型达到预期效果为止。2.根据权利要求1所述的基于联邦化主动学习的目标检测方法，其特征在于，加密方法包括差分隐私和同态加密。3.根据权利要求1所述的基于联邦化主动学习的目标检测方法，其特征在于，包括以下步骤：s1、采集公开数据对目标检测模型进行预训练；s2、服务端与客户端建立连接，采用联邦学习模型，将预训练好的模型下发到各个客户端；s3、客户端对模型进行主动学习，每一轮的学习主要分为两个阶段：第一阶段：选择有效的数据，首先对采集的数据进行处理，得到处理后的数据，然后采用模型对两者分别预测，跟据两者预测结果一致性，计算得分，选择得分高的进入第二阶段，得分低的会在本地保留，并征询用户意见是否上传数据，若用户同意上传，则将数据上传至服务端，由服务端对数据进行人工标注之后对模型训练；第二阶段：计算已标记数据池和第一阶段选择的数据池的互信息，选择可降低已标记数据池数据不平衡性的数据，之后将选择好的数据加入已标记数据池，并对模型进行增强训练；s4、在客户端将训练好的模型进行同态加密，之后上传到服务端；s5、服务端接收到的模型进行参数聚合，聚合成功后分析模型效果，同时分析客户端的参数数据，检测恶意攻击行为，之后将模型再次下发；s6、重复步骤s3-s5，直到模型精度达到预期效果。4.根据权利要求1所述的基于联邦化主动学习的目标检测方法，其特征在于，步骤s3中数据处理包括平移、旋转、反转和加噪。5.根据权利要求1所述的基于联邦化主动学习的目标检测方法，其特征在于，步骤s4中同态加密的具体算法为：将客户端的数据进行同态加密，之后上传至服务端，在与服务端的数据进行交互计算之后，回传给客户端，客户端解密后使用。6.根据权利要求1所述的基于联邦化主动学习的目标检测方法，其特征在于，步骤s4使用模型压缩算法上传。

技术总结
本发明公开了一种基于联邦化主动学习的目标检测方法，服务端首先训练初始模型，然后将其下发到参与联邦训练的客户端，客户端使用本地数据自主进行强化训练，将训练好的参数加密后上传到服务端，服务端对来自各个客户端的模型聚合后再次下发，直到模型达到预期效果为止。本发明提供的基于联邦化主动学习的目标检测方法，利用主动学习解决数据标注量大的问题，利用联邦学习解决数据隐私性问题，本方法不局限于某种特定的场景，具有一定的通用性，且将极大减轻部署和移植的工作量，降低应用的门槛，安全稳定、效率高，为其它深度学习算法解决数据标注和隐私性问题提供了参考。决数据标注和隐私性问题提供了参考。决数据标注和隐私性问题提供了参考。


技术研发人员：张淼
受保护的技术使用者：北京邮电大学
技术研发日：2022.03.11
技术公布日：2022/6/17