CN112801134A - 基于区块链和图像的手势识别模型训练与分发方法与装置 - Google Patents

基于区块链和图像的手势识别模型训练与分发方法与装置 Download PDF

Info

Publication number
CN112801134A
CN112801134A CN202011620074.7A CN202011620074A CN112801134A CN 112801134 A CN112801134 A CN 112801134A CN 202011620074 A CN202011620074 A CN 202011620074A CN 112801134 A CN112801134 A CN 112801134A
Authority
CN
China
Prior art keywords
image
training
characteristic data
model
image characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011620074.7A
Other languages
English (en)
Inventor
蔡亮
李伟
匡立中
邱炜伟
张帅
李吉明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Qulian Technology Co Ltd
Original Assignee
Hangzhou Qulian Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Qulian Technology Co Ltd filed Critical Hangzhou Qulian Technology Co Ltd
Priority to CN202011620074.7A priority Critical patent/CN112801134A/zh
Publication of CN112801134A publication Critical patent/CN112801134A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/107—Static hand or arm
    • G06V40/113—Recognition of static hand signs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于区块链技术领域，提供一种基于区块链和图像的手势识别模型训练与分发方法、装置，通过获取边缘计算设备的图像特征数据，图像特征数据与手势标签对应，输入图像特征数据训练域自适应模型，以对图像特征数据进行优化特征描述，将优化特征描述后的图像特征数据和手势标签输入支持向量机中训练，得到手势识别分类器，从而使得边缘计算设备与服务器之间只上传图像特征和下载识别结果，不传输原始的图像等信息，保障隐私，特征的数据量比原始图像小，降低传输成本，收集不同边缘计算设备上的训练数据，训练域自适应模型提升模型，使用优化特征描述后的图像特征数据训练支持向量机，得到更为精准的手势识别分类器。

Description

基于区块链和图像的手势识别模型训练与分发方法与装置
技术领域
本申请涉及区块链技术领域，具体而言，涉及一种基于区块链和图像的手势识别模型训练与分发方法、系统、装置、计算机设备以及计算机可读存储介质。
背景技术
基于二维图像的手势识别方法已经得到了广泛的研究和应用。然而，要在边缘计算设备上实现手势识别模型的训练，仍然存在计算性能不足的问题。因此，需要将数据发送到服务器进行模型训练，再从服务器中得到训练好的模型。
然而，现有技术中，边缘计算设备与服务器之间传输原始的主体图像等信息，容易泄露隐私，传输成本较大；因为没有适当的训练模型，手势识别精度不高。
综上所述，现有技术中存在安全性低、识别精度低、传输成本高以及服务器容易被滥用等技术问题。
发明内容
为了解决上述技术问题，本发明提供一种基于区块链和图像的手势识别模型训练与分发方法、装置、系统、计算机设备以及计算机可读存储介质。
一种基于区块链和图像的手势识别模型训练与分发方法，包括：
获取边缘计算设备的图像特征数据，所述图像特征数据与手势标签对应；
输入所述图像特征数据训练域自适应模型，对所述图像特征数据进行优化特征描述；
将优化特征描述后的所述图像特征数据和所述手势标签输入支持向量机中训练，得到手势识别分类器。
一种基于区块链和图像的手势识别模型训练与分发装置，包括：
获取模块，用于获取边缘计算设备的图像特征数据，所述图像特征数据与手势标签对应；
模型训练模块，用于输入所述图像特征数据训练域自适应模型，对所述图像特征数据进行优化特征描述；
分类器训练模块，用于将优化特征描述后的所述图像特征数据和所述手势标签输入支持向量机中训练，得到手势识别分类器。
一种基于区块链和图像的手势识别模型训练与分发系统，包括：多台边缘计算设备和服务器；所述服务器运行获取模块、模型训练模块以及分类器训练模块；
所述获取模块获取所述边缘计算设备的图像特征数据，所述图像特征数据与手势标签对应；
所述模型训练模块输入所述图像特征数据训练域自适应模型，对所述图像特征数据进行优化特征描述；
所述分类器训练模块将优化特征描述后的所述图像特征数据和所述手势标签输入支持向量机中训练，得到手势识别分类器。
一种计算机设备，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序在所述处理器中执行可实现方法。
一种计算机可读存储介质，存储计算机程序，所述计算机程序在处理器中执行可实现上述方法。
本发明提供一种基于区块链和图像的手势识别模型训练与分发方法、装置及系统，通过获取边缘计算设备的图像特征数据，图像特征数据与手势标签对应，输入图像特征数据训练域自适应模型，以对图像特征数据进行优化特征描述，将优化特征描述后的图像特征数据和手势标签输入支持向量机中训练，得到手势识别分类器，从而使得边缘计算设备与服务器之间只上传图像特征和下载识别结果，不传输原始的图像等信息，保障隐私，特征的数据量比原始图像小，降低传输成本，收集不同边缘计算设备上的训练数据，训练域自适应模型提升模型，使用优化特征描述后的图像特征数据训练支持向量机，得到更为精准的手势识别分类器。
附图说明
图1为一实施例提供的一种基于区块链和图像的手势识别模型训练与分发系统的框架示意图；
图2为一实施例提供的一种基于区块链和图像的手势识别模型训练与分发方法的流程示意图；
图3为一实施例提供的一种基于区块链和图像的手势识别模型训练与分发装置的架构示意图；
图4为一实施例提供的一种计算机设备的框架示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供的基于区块链和图像的手势识别模型训练与分发方法，可应用在如图1的应用环境中，其中，边缘计算设备通过网络与服务器进行通信，服务器运行在区块链系统中。其中，边缘计算设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种基于区块链和图像的手势识别模型训练与分发方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S1、获取边缘计算设备的图像特征数据，图像特征数据与手势标签对应；
S2、输入图像特征数据训练域自适应模型，以对图像特征数据进行优化特征描述；
S3、将优化特征描述后的图像特征数据和手势标签输入支持向量机中训练，得到手势识别分类器。
本实施例中，通过获取边缘计算设备的图像特征数据，图像特征数据与手势标签对应，输入图像特征数据训练域自适应模型，以对图像特征数据进行优化特征描述，将优化特征描述后的图像特征数据和手势标签输入支持向量机中训练，得到手势识别分类器，从而使得边缘计算设备与服务器之间只上传图像特征和下载识别结果，不传输原始的图像等信息，保障隐私，特征的数据量比原始图像小，降低传输成本，收集不同边缘计算设备上的训练数据，训练域自适应模型提升模型，使用优化特征描述后的图像特征数据训练支持向量机，得到更为精准的手势识别分类器。
步骤S1中，边缘计算设备向服务器发送设备信息，例如设备序列号，序列号在边缘计算设备信息链上进行验证，验证通过的设备，可以向服务器请求分发手势识别模型。
例如，边缘计算设备上传有效数据时，可以发送设备序列号等设备信息，序列号在服务器上产生MD5码；设备信息通过PBFT共识机制的验证后上传区块链。
需要说明的是，边缘计算设备可以通过服务器将设备信息上传至区块链，上传信息包括但不限于设备信息和贡献数据量等。如此，在向服务器请求分发手势识别模型时，服务器先向区块链发起信息验证，明确请求设备的身份和数据量贡献，响应请求设备的请求或拒绝请求设备的请求。这样，不仅可以通过区块链保障上链信息的真实性和私密性，而且可以避免服务器被滥用。
还需要说明的是，边缘计算设备提供给服务器的图像数据是图像特征数据，图像特征数据可以是与图像数据一一对应的经过特征提取的数据，相比图像数据的原件，具有数据量小的优势，从而在传输中可以有效减小传输开支。其中，图像特征数据与手势标签对应，手势标签如握拳、张开等预先定义的不同手势类别。
在一具体实施例中，图像特征数据通过去噪自动编码器提取得到，具体可以是：
给定一组图像样本，X＝[x1,x2,x3……xn]∈Rd；n表示样本的数量，d表示原始图像向量的长度；自动编码器用于减少重构误差：
Figure BDA0002872122300000051
xi和
Figure BDA0002872122300000052
分别是原始输入和重建后的输出；
Figure BDA0002872122300000053
表示为xi被破坏的版本，W：Rd→Rd表示重构已损坏输入的映射；
重构损失的平方定义为
Figure BDA0002872122300000054
总平方损失定义为
Figure BDA0002872122300000055
代表原始输入xi的第j个破坏版本，m是层数；
X＝[x1，x2，……,xn]∈Rd*n表示为数据矩阵，
Figure BDA0002872122300000061
表示为m次重复的版本，
Figure BDA0002872122300000062
表示为x的破坏版本，
Figure BDA0002872122300000063
的损失降低到
Figure BDA0002872122300000064
最小化为普通最小二乘法的封闭解：W＝VQ-1；其中
Figure BDA0002872122300000065
和
Figure BDA0002872122300000066
可以理解的是，边缘计算设备提供的数据来源方式可以使用任何摄像头进行图像拍摄，也可以直接输入现有图片、视屏等。
需要说明的是，经过去噪自动编码器提取得到图像特征数据作为后续训练集和测试集训练和测试模型，由于减少重构误差，从而使得训练出的模型可以更加精准识别。
步骤S2中，通过输入图像特征数据训练域自适应模型，对图像特征数据进行优化特征描述，可以将测试集的特征映射到训练集的空间，让测试集和训练集的分布相似，从而优化训练模型。
需要说明的是，训练域自适应模型可以指提供正确答案的数据，得到域自适应模型。
在一具体实施例中，提供一优选的域自适应模型的训练方案。
将图像特征数据表征为
Figure BDA0002872122300000067
通过实现低秩表示(LRR)来表示
Figure BDA0002872122300000068
推导出对齐过程中使用的关联矩阵；
给定一个特征向量矩阵X，通过求解以下算式来计算特征向量之间的关联性：
计算算式min||Q0||*+λ||E0||2，1和
Figure BDA0002872122300000069
得到特征向量之间的关联，
Figure BDA00028721223000000610
为图像特征数据，||||*表示核范数，||||2，1用于描述l2，1的噪声，E0用于保证稀疏性的惩罚项，参数λ用于平衡两部分的影响。
Lk＝Dk-Wk的最优解
Figure BDA0002872122300000071
(关于Q0变量)自动形成一个相似度矩阵，该矩阵表示了特征向量间成对的相似性，因此，两特征向量xk和xl之间的相似度Skl可以通过
Figure BDA0002872122300000072
(·)lk表示矩阵的(l，k)坐标元素。
通过计算低秩表现，源域和目标域的局部几何图可以用邻接矩阵Ss和St表示。为了学习他们之间的对齐关系，可以使用流形对齐的一般框架。对于每一个邻接矩阵，可以计算对角矩阵
Figure BDA0002872122300000073
K表示源s或者目标t。有了Dk和Sk，拉普拉斯矩阵可以计算为：Lk＝Dk-Wk。然后，源域和目标域的整体结构可以表示为：
Figure BDA0002872122300000074
C＝2表示在该应用中对齐两个矩阵，
Figure BDA0002872122300000075
是对角矩阵，通过以下式子计算：
Figure BDA0002872122300000076
通过算式
Figure BDA0002872122300000077
计算。
为了计算对齐关系，d维的嵌入结果由d个最小特征向量γ1,γ2,...,γd的特征值分解计算：Lγ＝λDr。
最后，可以发现Ss和St之间的关系，让Ys成为[γ1,γ2,...,γd]的一部分(从第1行到第n行)。让Yt成为[γ1,γ2,...,γd]的另一部分(从第n+1行到第2n行)。让Ys和Yt在同一个空间里直接比较。这样Xs和Xt能够被映射到统一空间内。同时代价函数可以定义为：
Figure BDA0002872122300000081
通过最小化代价函数，能得到一个模型，将测试集映射到训练集。
步骤S3中，将优化特征描述后的图像特征数据和手势标签输入支持向量机中训练，得到手势识别分类器。
需要说明的是，图像特征数据优化特征描述后输入支持向量机中训练，可以训练得到识别结果更接近真实的手势识别分类器。
进一步，在一具体实施例中，可以进行如下数据上链操作：
上传边缘计算设备信息至区块链；
上传域自适应模型和/或手势识别分类器至区块链；
向验证通过的边缘计算设备分发域自适应模型和/或手势识别分类器。
其中，域自适应模型上链可以是：
通过模型的二进制数据，产生MD5码；
新的模型通过PBFT共识机制的验证后上链；
手势识别分类器上链可以是：
通过分类器的二进制数据，产生MD5码；
新的分类器通过PBFT共识机制的验证后上链；
边缘计算设备信息上链可以是：
边缘计算设备上传有效数据的同时，发送自己的设备序列号，序列号在服务器上产生MD5码；
设备信息通过PBFT共识机制的验证后上链。
需要说明的是，以上数据上传区块链，可以数据(例如模型)不被未经验证的设备滥用，可以在验证通过后分发模型分发给边缘计算设备，使手势识别过程能够在边缘计算设备上得到实现。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，参见图3，提供一种基于区块链和图像的手势识别模型训练与分发装置，该装置与上述实施例中基于区块链和图像的手势识别模型训练与分发方法一一对应。如图3所示，该装置包括获取模块1、模型训练模块2以及分类器训练模块3。
获取模块1，用于获取边缘计算设备的图像特征数据，图像特征数据与手势标签对应；
模型训练模块2，用于输入图像特征数据训练域自适应模型，以对图像特征数据进行优化特征描述；
分类器训练模块3，用于将优化特征描述后的图像特征数据和手势标签输入支持向量机中训练，得到手势识别分类器。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
还需要说明的是，关于上述装置的具体限定和说明，可以参见上文中对于基于区块链和图像的手势识别模型训练与分发方法的限定和说明，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，参见图3和图4，提供了一种计算机设备，该计算机设备可以是服务器，服务器运行获取模块1、模型训练模块2以及分类器训练模块3。该计算机设备内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于区块链和图像的手势识别模型训练与分发方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于区块链和图像的手势识别模型训练与分发方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于区块链和图像的手势识别模型训练与分发方法的步骤，例如图2所示的步骤1至步骤3及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中基于区块链和图像的手势识别模型训练与分发装置的各模块/单元的功能，例如图3所示模块1至模块3的功能。为避免重复，这里不再赘述。
处理器可以是中央处理单元(Central ProceSsing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal ProceSsor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
存储器可以集成在处理器中，也可以与处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于区块链和图像的手势识别模型训练与分发方法的步骤，例如图2所示的步骤1至步骤3及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中基于区块链和图像的手势识别模型训练与分发装置的各模块/单元的功能，例如图3所示模块1至模块3的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于区块链和图像的手势识别模型训练与分发方法，其特征在于，包括：
获取边缘计算设备的图像特征数据，所述图像特征数据与手势标签对应；
输入所述图像特征数据训练域自适应模型，对所述图像特征数据进行优化特征描述；
将优化特征描述后的所述图像特征数据和所述手势标签输入支持向量机中训练，得到手势识别分类器。
2.如权利要求1所述的方法，其特征在于，还包括：
所述图像特征数据通过去噪自动编码器提取得到。
3.如权利要求1所述的方法，其特征在于，还包括：
上传所述边缘计算设备信息至区块链；
上传所述域自适应模型和/或所述手势识别分类器至区块链；
向验证通过的所述边缘计算设备分发所述域自适应模型和/或所述手势识别分类器。
4.如权利要求1-3任一项所述的方法，其特征在于，所述训练域自适应模型为代价函数的最小化，所述代价函数表征为：
Figure FDA0002872122290000011
其中，Ys为[γ1，γ2，...，γd]从第1行到第n行的一部分，Yt为[γ1，γ2，...，γd]从第n+1行到第2n行的另一部分；[γ1，γ2，...，γd]为d个最小特征向量；
Figure FDA0002872122290000012
以及
Figure FDA0002872122290000013
为三个W矩阵；
计算算式min||Q0||*+λ||E0||2，1和
Figure FDA0002872122290000014
得到特征向量之间的关联，
Figure FDA0002872122290000015
为所述图像特征数据，|| ||*表示核范数，|| ||2，1用于描述l2，1的噪声，E0用于保证稀疏性的惩罚项，参数λ用于平衡两部分的影响。
5.如权利要求2所述的方法，其特征在于，通过去噪自动编码器提取特征包括:
给定一组图像样本，X＝[x1,x2,x3……xn]∈Rd；n表示样本的数量，d表示原始图像向量的长度；自动编码器用于减少重构误差：
Figure FDA0002872122290000021
xi和
Figure FDA0002872122290000022
分别是原始输入和重建后的输出；
Figure FDA0002872122290000023
表示为xi被破坏的版本，W：Rd→Rd表示重构已损坏输入的映射；
重构损失的平方定义为
Figure FDA0002872122290000024
总平方损失定义为
Figure FDA0002872122290000025
Figure FDA0002872122290000026
代表原始输入xi的第j个破坏版本，m是层数；
X＝[x1，x2，……,xn]∈Rd*n表示为数据矩阵，
Figure FDA0002872122290000027
表示为m次重复的版本，
Figure FDA0002872122290000028
表示为x的破坏版本，
Figure FDA0002872122290000029
的损失降低到
Figure FDA00028721222900000210
最小化为普通最小二乘法的封闭解：W＝VQ-1；其中
Figure FDA00028721222900000211
和
Figure FDA00028721222900000212
6.如权利要求3所述的方法，其特征在于，上传所述域自适应模型至区块链包括：
通过模型的二进制数据，产生MD5码；
新的模型通过PBFT共识机制的验证后上链。
7.一种基于区块链和图像的手势识别模型训练与分发装置，其特征在于，包括：
获取模块，用于获取边缘计算设备的图像特征数据，所述图像特征数据与手势标签对应；
模型训练模块，用于输入所述图像特征数据训练域自适应模型，对所述图像特征数据进行优化特征描述；
分类器训练模块，用于将优化特征描述后的所述图像特征数据和所述手势标签输入支持向量机中训练，得到手势识别分类器。
8.一种基于区块链和图像的手势识别模型训练与分发系统，其特征在于，包括：多台边缘计算设备和服务器；所述服务器运行获取模块、模型训练模块以及分类器训练模块；
所述获取模块获取边缘计算设备的图像特征数据，所述图像特征数据与手势标签对应；
所述模型训练模块输入所述图像特征数据训练域自适应模型，对所述图像特征数据进行优化特征描述；
所述分类器训练模块将优化特征描述后的所述图像特征数据和所述手势标签输入支持向量机中训练，得到手势识别分类器。
9.一种计算机设备，包括存储器和处理器，所述存储器存储计算机程序，其特征在于，所述计算机程序在所述处理器中执行可实现权利要求1-6中任一种方法。
10.一种计算机可读存储介质，存储计算机程序，其特征在于，所述计算机程序在处理器中执行可实现权利要求1-6中任一种方法。
CN202011620074.7A 2020-12-30 2020-12-30 基于区块链和图像的手势识别模型训练与分发方法与装置 Pending CN112801134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011620074.7A CN112801134A (zh) 2020-12-30 2020-12-30 基于区块链和图像的手势识别模型训练与分发方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011620074.7A CN112801134A (zh) 2020-12-30 2020-12-30 基于区块链和图像的手势识别模型训练与分发方法与装置

Publications (1)

Publication Number Publication Date
CN112801134A true CN112801134A (zh) 2021-05-14

Family

ID=75804890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011620074.7A Pending CN112801134A (zh) 2020-12-30 2020-12-30 基于区块链和图像的手势识别模型训练与分发方法与装置

Country Status (1)

Country Link
CN (1) CN112801134A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449048A (zh) * 2021-08-31 2021-09-28 腾讯科技（深圳）有限公司 数据标签分布确定方法、装置、计算机设备和存储介质
CN113792759A (zh) * 2021-08-19 2021-12-14 北京爱笔科技有限公司 识别模型训练方法、装置、计算机设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378092A (zh) * 2019-07-26 2019-10-25 北京积加科技有限公司 身份识别系统及客户端、服务器和方法
CN110490305A (zh) * 2019-08-22 2019-11-22 腾讯科技（深圳）有限公司 基于区块链网络的机器学习模型处理方法及节点
CN111242230A (zh) * 2020-01-17 2020-06-05 腾讯科技（深圳）有限公司 基于人工智能的图像处理方法及图像分类模型训练方法
CN111582284A (zh) * 2020-04-27 2020-08-25 中国科学院信息工程研究所 用于图像识别的隐私保护方法、装置和电子设备
CN111667275A (zh) * 2020-06-19 2020-09-15 腾讯科技（深圳）有限公司 用户身份识别方法、装置、设备及其介质
CN112003888A (zh) * 2020-07-09 2020-11-27 深圳市雄帝科技股份有限公司 基于区块链的证件照管理方法、装置、设备及可读介质
CN112118366A (zh) * 2020-07-31 2020-12-22 中标慧安信息技术股份有限公司 一种人脸图片数据的传输方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378092A (zh) * 2019-07-26 2019-10-25 北京积加科技有限公司 身份识别系统及客户端、服务器和方法
CN110490305A (zh) * 2019-08-22 2019-11-22 腾讯科技（深圳）有限公司 基于区块链网络的机器学习模型处理方法及节点
CN111242230A (zh) * 2020-01-17 2020-06-05 腾讯科技（深圳）有限公司 基于人工智能的图像处理方法及图像分类模型训练方法
CN111582284A (zh) * 2020-04-27 2020-08-25 中国科学院信息工程研究所 用于图像识别的隐私保护方法、装置和电子设备
CN111667275A (zh) * 2020-06-19 2020-09-15 腾讯科技（深圳）有限公司 用户身份识别方法、装置、设备及其介质
CN112003888A (zh) * 2020-07-09 2020-11-27 深圳市雄帝科技股份有限公司 基于区块链的证件照管理方法、装置、设备及可读介质
CN112118366A (zh) * 2020-07-31 2020-12-22 中标慧安信息技术股份有限公司 一种人脸图片数据的传输方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHAOQUN HONG 等: "Weakly Supervised Hand Pose Recovery with Domain Adaptation by Low-Rank Alignment", 《2016 IEEE 16TH INTERNATIONAL CONFERENCE ON DATA MINING WORKSHOPS》, vol. 2017, 2 February 2017 (2017-02-02), pages 3 - 4 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792759A (zh) * 2021-08-19 2021-12-14 北京爱笔科技有限公司 识别模型训练方法、装置、计算机设备和存储介质
CN113449048A (zh) * 2021-08-31 2021-09-28 腾讯科技（深圳）有限公司 数据标签分布确定方法、装置、计算机设备和存储介质
CN113449048B (zh) * 2021-08-31 2021-11-09 腾讯科技（深圳）有限公司 数据标签分布确定方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN109241903B (zh) 样本数据清洗方法、装置、计算机设备及存储介质
CN109063742B (zh) 蝴蝶识别网络构建方法、装置、计算机设备及存储介质
US20230022387A1 (en) Method and apparatus for image segmentation model training and for image segmentation
CN110287971B (zh) 数据验证方法、装置、计算机设备及存储介质
CN111931865A (zh) 图像分类模型的训练方法、装置、计算机设备及存储介质
WO2020073510A1 (zh) 一种基于神经网络的车辆定损方法、服务器及介质
CN110781976B (zh) 训练图像的扩充方法、训练方法及相关装置
CN111881737B (zh) 年龄预测模型的训练方法及装置、年龄预测方法及装置
CN110287836B (zh) 图像分类方法、装置、计算机设备和存储介质
CN112801134A (zh) 基于区块链和图像的手势识别模型训练与分发方法与装置
CN113673439B (zh) 基于人工智能的宠物狗识别方法、装置、设备及存储介质
CN111967033A (zh) 基于人脸识别的图片加密方法、装置、终端及存储介质
CN112733901B (zh) 基于联邦学习和区块链的结构化动作分类方法与装置
CN110909663A (zh) 一种人体关键点识别方法、装置及电子设备
CN113807353A (zh) 图像转换模型训练方法、装置、设备及存储介质
WO2024001806A1 (zh) 一种基于联邦学习的数据价值评估方法及其相关设备
CN113283388B (zh) 活体人脸检测模型的训练方法、装置、设备及存储介质
CN112633146A (zh) 多姿态人脸性别检测训练优化方法、装置及相关设备
CN111680181A (zh) 一种异常对象的识别方法及终端设备
CN111523479A (zh) 动物的生物特征识别方法、装置、计算机设备及存储介质
CN112528978B (zh) 人脸关键点的检测方法、装置、电子设备及存储介质
CN112613445B (zh) 人脸图像生成方法、装置、计算机设备和存储介质
CN109063601B (zh) 唇纹检测方法、装置、计算机设备和存储介质
CN112801867B (zh) 基于区块链的卫星遥感图像拼接方法、装置及设备
CN112784877A (zh) 一种基于区块链的大规模图像模板匹配方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination