CN115620316A - 基于无线联邦学习的图像识别方法、装置、设备及介质 - Google Patents
基于无线联邦学习的图像识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115620316A CN115620316A CN202211164597.4A CN202211164597A CN115620316A CN 115620316 A CN115620316 A CN 115620316A CN 202211164597 A CN202211164597 A CN 202211164597A CN 115620316 A CN115620316 A CN 115620316A
- Authority
- CN
- China
- Prior art keywords
- image recognition
- target
- image
- wireless
- federal learning
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19127—Extracting features by transforming the feature space, e.g. multidimensional scaling; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及无线通信技术领域,公开了一种基于无线联邦学习的图像识别方法、装置、设备及介质,所述方法包括:获取待识别图像和初始图像识别模型;通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型;通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息;通过上述方式,通过预设加速移动联邦学习算法根据目标动量因子将初始图像识别模型参数调整为目标图像识别模型,然后利用目标图像识别模型对待识别图像进行识别,从而能够适应无线信道中的噪声和衰落对图像识别的影响,进而有效提高识别图像的准确性。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及基于无线联邦学习的图像识别方法、装置、设备及介质。
背景技术
随着互联网技术的不断发展,人们更热衷于通过图片来表达个人的想法,例如,在聊天是使用图像表情表达当前时刻的情绪,在路口使用路标符号表明交通要求,如限速、禁停以及禁止驶入等情况,特定领域的编码图像等,但是对于不同的用户来说,可能会出现无法看懂表情或者图标的情况,造成曲解本来的含义,目前用于识别图像的相关技术是图像的二值化、去噪、特征提取及特征识别等操作,但是上述相关技术是通过操作化的方式进行图像识别,使得在识别过程中无法适应无线信道中的噪声和衰落对图像识别的影响,造成图像识别的准确性较低。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于无线联邦学习的图像识别方法、装置、设备及介质,旨在解决现有技术无法适应无线信道中的噪声和衰落对图像识别的影响,造成图像识别的准确性较低的技术问题。
为实现上述目的,本发明提供了一种基于无线联邦学习的图像识别方法,所述基于无线联邦学习的图像识别方法包括以下步骤:
获取待识别图像和初始图像识别模型;
通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型;
通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息。
可选地,所述通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型,包括:
获取客户端运行数据集,所述客户端的数量为N,N≥1;
通过预设分布式主成分分解算法对所述运行数据集进行特征提取,得到目标运行数据;
根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息;
通过预设加速移动联邦学习算法根据目标动量因子和所述目标梯度信息对所述初始图像识别模型进行参数调整,得到目标图像识别模型。
可选地,所述通过预设加速移动联邦学习算法根据目标动量因子和所述当前梯度信息对所述初始图像识别模型进行参数调整,得到目标图像识别模型,包括:
根据所述当前梯度信息对所述初始图像识别模型进行梯度对齐;
对梯度对齐后的初始图像识别模型进行聚合;
通过预设加速移动联邦学习算法根据目标动量因子和迭代辅助模型参数对聚合后的初始图像识别模型进行参数调整,得到目标图像识别模型。
可选地,所述根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息,包括:
根据链路距离和信道系数向量计算出信道衰减抵消因子;
根据所述目标运行数据得到客户端输出功率;
根据所述信道系数向量、信道衰减抵消因子以及客户端输出功率设置信道对齐系数;
根据所述信道对齐系数确定目标梯度信息。
可选地,所述根据所述信道对齐系数确定目标梯度信息,包括:
获取预设功率控制参数;
根据所述预设功率控制参数和所述信道对齐系数计算当前梯度信息;
根据本地数据集对所述当前梯度信息进行归一化处理,得到目标梯度信息。
可选地,所述通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息之前,还包括:
获取样本测试数据集;
根据所述样本测试数据集对目标图像识别模型进行测试,得到当前测试结果;
根据所述当前测试结果确定所述目标图像识别模型的当前收敛性能;
在所述当前收敛性能高于或等于预设收敛性能阈值时,继续执行通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息的步骤;
在所述当前收敛性能低于预设收敛性能阈值时,返回执行对图像识别模型进行参数调整的步骤。
可选地,所述通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息,包括:
通过预设分布式主成分分解算法对所述待识别图像进行特征提取,得到待识别图像特征;
通过所述目标图像识别模型对所述待识别图像特征进行识别,得到与所述待识别图像相对应的文字描述信息。
此外,为实现上述目的,本发明还提出一种基于无线联邦学习的图像识别装置,所述基于无线联邦学习的图像识别装置包括:
获取模块,用于获取待识别图像和初始图像识别模型;
参数调整模块,用于通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型;
识别模块,用于通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息。
此外,为实现上述目的,本发明还提出一种基于无线联邦学习的图像识别设备,所述基于无线联邦学习的图像识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于无线联邦学习的图像识别程序,所述基于无线联邦学习的图像识别程序配置为实现如上文所述的基于无线联邦学习的图像识别方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于无线联邦学习的图像识别程序,所述基于无线联邦学习的图像识别程序被处理器执行时实现如上文所述的基于无线联邦学习的图像识别方法。
本发明提出的基于无线联邦学习的图像识别方法,通过获取待识别图像和初始图像识别模型;通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型;通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息;通过上述方式,通过预设加速移动联邦学习算法根据目标动量因子将初始图像识别模型参数调整为目标图像识别模型,然后利用目标图像识别模型对待识别图像进行识别,从而能够适应无线信道中的噪声和衰落对图像识别的影响,进而有效提高识别图像的准确性。
附图说明
图1为本发明基于无线联邦学习的图像识别方法第一实施例的流程示意图;
图2为本发明基于无线联邦学习的图像识别方法一实施例的训练模型收敛性能示意图;
图3为本发明基于无线联邦学习的图像识别方法一实施例的信道阈值与模型效果示意图;
图4为本发明基于无线联邦学习的图像识别方法第二实施例的流程示意图;
图5为本发明基于无线联邦学习的图像识别方法一实施例的无线联邦学习系统示意图;
图6为本发明基于无线联邦学习的图像识别装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明基于无线联邦学习的图像识别方法第一实施例的流程示意图。
在第一实施例中,所述基于无线联邦学习的图像识别方法包括以下步骤:
步骤S10,获取待识别图像和初始图像识别模型。
需要说明的是,本实施例的执行主体为基于无线联邦学习的图像识别设备,还可为其他可实现相同或相似功能的设备,例如无线联邦学习系统等,本实施例对此不作限制,在本实施例中,以无线联邦学习系统为例进行说明。
应当理解的是,待识别图像是通过客户端通过摄像头拍摄得到的,该待识别图像可以为道路路标图像、编码图像以及其他含有意义的图像,初始图像识别模型指的是常规的图像识别模型,但是该初始图像识别模型从获取待识别图像到实际进行图像识别的过程中容易受到线信道中的噪声和衰落对图像识别的影响。
步骤S20,通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型。
可以理解的是,预设加速移动联邦学习算法指的是利用无线边缘客户端采集数据以分布式的方式进行模型训练的学习算法,目标动量因子指的是在调整初始图像识别模型所需使用到的常数参数,预设加速移动联邦学习算法可以为PCA-WFL算法或Nesterov动量加速的PCA-AWFL算法,在参数调整完成后,即得到目标图像识别模型。
步骤S30,通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息。
应当理解的是,文字描述信息指的是与待识别图像相对应的描述信息,在得到待识别图像后,通过目标图像识别模型识别出与待识别图像相对应的文字描述信息,例如,待识别图像为白底红圈,则文字描述信息为禁止一切车辆和行人通行,该待识别图像对应的路标通常设置在禁止通行的道路入口处,待识别图像为白底红叉,则文字描述信息为禁止停车。
进一步地,步骤S30之前,还包括:获取样本测试数据集;根据所述样本测试数据集对目标图像识别模型进行测试,得到当前测试结果;根据所述当前测试结果确定所述目标图像识别模型的当前收敛性能;在所述当前收敛性能高于或等于预设收敛性能阈值时,继续执行通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息的步骤;在所述当前收敛性能低于预设收敛性能阈值时,返回执行对图像识别模型进行参数调整的步骤。
可以理解的是,样本测试数据集指的是测试目标图像识别模型的收敛性能的数据集,具体是在获取到样本测试数据集后,根据样本测试数据集对目标图像识别模型进行测试,然后判断当前测试结果中的当前收敛性能是否高于或者等于预设收敛性能阈值,若是,则表明目标图像识别模型合格,此时可以通过目标图像识别模型对待识别图像进行识别,若否,则表明目标图像识别模型不合格,此时通过目标图像识别模型识别出的文字描述信息存在不准确的情况,因此,需要按照上述参数调整方式继续调整,直至目标图像识别模型的收敛性能高于或等于预设收敛性能阈值。
进一步地,步骤S30,包括:通过预设分布式主成分分解算法对所述待识别图像进行特征提取,得到待识别图像特征;通过所述目标图像识别模型对所述待识别图像特征进行识别,得到与所述待识别图像相对应的文字描述信息。
应当理解的是,预设分布式主成分分解算法指的是对数据进行特征提取的分解算法,由于在本实施例中客户端的数量为N个,使得待识别图像分布在N个客户端,为了提高识别图像的效率和准确性,通过预设分布式主成分分解算法特征提取出待识别图像的图像特征,即为待识别图像特征,然后将待识别图像特征输入至目标图像识别模型中进行识别,输出与待识别图像相对应的文字描述信息。
可以理解的是,参考图2,图2为训练模型收敛性能示意图,具体为:无差错链路训练方式、稀疏训练方式、PCA-WFL算法以及Nesterov动量加速的PCA-AWFL算法训练的模型收敛性能,通过比较可知,使用PCA-WFL算法和Nesterov动量加速的PCA-AWFL算法进行模型训练相较于其他训练方式可以更快的达到收敛效果,且收敛性能较高和迭代次数较少。参考图3,图3为信道阈值与模型效果示意图,通过比较可知,使用PCA-WFL算法和Nesterov动量加速的PCA-AWFL算法进行模型训练相较于其他训练方式在图像识别模型效果和信道阈值的容忍度都具有明显的优势。
本实施例通过获取待识别图像和初始图像识别模型;通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型;通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息;通过上述方式,通过预设加速移动联邦学习算法根据目标动量因子将初始图像识别模型参数调整为目标图像识别模型,然后利用目标图像识别模型对待识别图像进行识别,从而能够适应无线信道中的噪声和衰落对图像识别的影响,进而有效提高识别图像的准确性。
在一实施例中,如图4所述,基于第一实施例提出本发明基于无线联邦学习的图像识别方法第二实施例,所述步骤S20,包括:
步骤S201,获取客户端运行数据集,所述客户端的数量为N,N≥1。
应当理解的是,无线联邦学习系统指的是采用数字调制提供可靠信道的学习系统,该无线联邦学习系统包括一个服务器和N个客户端,客户端运行数据集指的是由客户端的各个运行数据构成的集合,该运行数据包括但不限于运行时间、运行过程中各个时段的传输功率。
可以理解的是,参考图5,图5为无线联邦学习系统示意图,具体为:客户端为N个,分别为客户端1、...、客户端n、...以及客户端N,服务器为唯一一个,且客户端与服务器之间以无线通信方式进行交互,具体为客户端1、...、客户端n、...以及客户端N分别向服务器发送信道系数向量h1,k、hn,k以及hN,k,然后服务器分别向客户端1、...、客户端n、...以及客户端N广播当前模型参数wk,且当前模型参数wk的维度为d,具体是由服务器向客户端传输目标图像识别模型,客户端向服务器传输损失函数关于目标图像识别模型的目标梯度信息。
步骤S202,通过预设分布式主成分分解算法对所述运行数据集进行特征提取,得到目标运行数据。
可以理解的是,在得到运行数据集后,通过预设分布式主成分分解算法在N个客户端的运行数据集中特征提取出目标运行数据,该目标运行数据包括各个客户端的最大传输功率。
步骤S203,根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息。
应当理解的是,当前模型参数指的是初始图像识别模型的各个分层参数,链路距离指的是客户端与服务器之间的链路的距离,在得到目标运行数据后,根据当前模型参数、链路距离以及目标运行数据确定目标梯度信息。
进一步地,所述根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息,包括:根据链路距离和信道系数向量计算出信道衰减抵消因子;根据所述目标运行数据得到客户端输出功率;根据所述信道系数向量、信道衰减抵消因子以及客户端输出功率设置信道对齐系数;根据所述信道对齐系数确定目标梯度信息。
可以理解的是,在得到链路距离后,根据链路距离和信道系数向量计算出信道衰减抵消因子,具体计算公式为:
其中,hn,k为每个客户端的信道系数向量,Cn,k为信道衰减抵消因子,δn,k为链路距离,h0为信道阈值。
应当理解的是,客户端输出功率指的是每个客户端的最大输出功率,在得到客户端输出功率和信道衰减抵消因子后,根据信道系数向量、信道衰减抵消因子以及客户端输出功率设置信道对齐系数设置信道对齐系数,具体为:
进一步地,所述根据所述信道对齐系数确定目标梯度信息,包括:获取预设功率控制参数;根据所述预设功率控制参数和所述信道对齐系数计算当前梯度信息;根据本地数据集对所述当前梯度信息进行归一化处理,得到目标梯度信息。
应当理解的是,预设功率控制参数指的是控制客户端的传输功率的参数,然后通过预设功率控制参数和信道对齐系数计算出当前梯度信息,具体为:
其中,yn,k[i]为当前梯度信息,hn,k为每个客户端的信道系数向量。
可以理解的是,本地数据集指的是在客户端本地存储的各个数据构成的集合,在得到当前梯度信息后,每个客户端根据本地数据集对当前梯度信息进行归一化处理,具体为:
步骤S204,通过预设加速移动联邦学习算法根据目标动量因子和所述目标梯度信息对所述初始图像识别模型进行参数调整,得到目标图像识别模型。
可以理解的是,在得到目标梯度信息后,通过预设加速移动联邦学习算法根据目标动量因子和目标梯度信息对初始图像识别模型进行参数调整,具体为:
wk+1=wk-ηυk;
其中,uk和vk均为第k次迭代的辅助模型参数,β为目标动量因子,wk+1为当前模型参数。
进一步地,步骤S204,包括:根据所述当前梯度信息对所述初始图像识别模型进行梯度对齐;对梯度对齐后的初始图像识别模型进行聚合;通过预设加速移动联邦学习算法根据目标动量因子和迭代辅助模型参数对聚合后的初始图像识别模型进行参数调整,得到目标图像识别模型。
应当理解的是,在得到梯度对齐后的初始图像识别模型后,对梯度对齐后的初始图像识别模型进行聚合,具体为:
本实施例通过获取客户端运行数据集,所述客户端的数量为N,N≥1;通过预设分布式主成分分解算法对所述运行数据集进行特征提取,得到目标运行数据;根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息;通过预设加速移动联邦学习算法根据目标动量因子和所述目标梯度信息对所述初始图像识别模型进行参数调整,得到目标图像识别模型;通过上述方式,在得到客户端运行数据集后,通过预设分布式主成分分解算法在运行数据集中特征提取出目标运行数据,然后根据当前模型参数、链路距离以及目标运行数据确定目标梯度信息,再通过预设加速移动联邦学习算法根据目标动量因子和目标梯度信息参数调整出目标图像识别模型,从而能够有效提高得到目标图像识别模型的准确性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于无线联邦学习的图像识别程序,所述基于无线联邦学习的图像识别程序被处理器执行时实现如上文所述的基于无线联邦学习的图像识别方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,参照图6,本发明实施例还提出一种基于无线联邦学习的图像识别装置,所述基于无线联邦学习的图像识别装置包括:
获取模块10,用于获取待识别图像和初始图像识别模型。
参数调整模块20,用于通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型。
识别模块30,用于通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息。
本实施例通过获取待识别图像和初始图像识别模型;通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型;通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息;通过上述方式,通过预设加速移动联邦学习算法根据目标动量因子将初始图像识别模型参数调整为目标图像识别模型,然后利用目标图像识别模型对待识别图像进行识别,从而能够适应无线信道中的噪声和衰落对图像识别的影响,进而有效提高识别图像的准确性。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于无线联邦学习的图像识别方法,此处不再赘述。
本发明所述基于无线联邦学习的图像识别装置的其他实施例或具有实现方法可参照上述各方法实施例,此处不再赘余。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,一体化平台工作站,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于无线联邦学习的图像识别方法,其特征在于,所述基于无线联邦学习的图像识别方法包括以下步骤:
获取待识别图像和初始图像识别模型;
通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型;
通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息。
2.如权利要求1所述的基于无线联邦学习的图像识别方法,其特征在于,所述通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型,包括:
获取客户端运行数据集,所述客户端的数量为N,N≥1;
通过预设分布式主成分分解算法对所述运行数据集进行特征提取,得到目标运行数据;
根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息;
通过预设加速移动联邦学习算法根据目标动量因子和所述目标梯度信息对所述初始图像识别模型进行参数调整,得到目标图像识别模型。
3.如权利要求2所述的基于无线联邦学习的图像识别方法,其特征在于,所述通过预设加速移动联邦学习算法根据目标动量因子和所述当前梯度信息对所述初始图像识别模型进行参数调整,得到目标图像识别模型,包括:
根据所述当前梯度信息对所述初始图像识别模型进行梯度对齐;
对梯度对齐后的初始图像识别模型进行聚合;
通过预设加速移动联邦学习算法根据目标动量因子和迭代辅助模型参数对聚合后的初始图像识别模型进行参数调整,得到目标图像识别模型。
4.如权利要求2所述的基于无线联邦学习的图像识别方法,其特征在于,所述根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息,包括:
根据链路距离和信道系数向量计算出信道衰减抵消因子;
根据所述目标运行数据得到客户端输出功率;
根据所述信道系数向量、信道衰减抵消因子以及客户端输出功率设置信道对齐系数;
根据所述信道对齐系数确定目标梯度信息。
5.如权利要求4所述的基于无线联邦学习的图像识别方法,其特征在于,所述根据所述信道对齐系数确定目标梯度信息,包括:
获取预设功率控制参数;
根据所述预设功率控制参数和所述信道对齐系数计算当前梯度信息;
根据本地数据集对所述当前梯度信息进行归一化处理,得到目标梯度信息。
6.如权利要求1所述的基于无线联邦学习的图像识别方法,其特征在于,所述通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息之前,还包括:
获取样本测试数据集;
根据所述样本测试数据集对目标图像识别模型进行测试,得到当前测试结果;
根据所述当前测试结果确定所述目标图像识别模型的当前收敛性能;
在所述当前收敛性能高于或等于预设收敛性能阈值时,继续执行通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息的步骤;
在所述当前收敛性能低于预设收敛性能阈值时,返回执行对图像识别模型进行参数调整的步骤。
7.如权利要求1至6中任一项所述的基于无线联邦学习的图像识别方法,其特征在于,所述通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息,包括:
通过预设分布式主成分分解算法对所述待识别图像进行特征提取,得到待识别图像特征;
通过所述目标图像识别模型对所述待识别图像特征进行识别,得到与所述待识别图像相对应的文字描述信息。
8.一种基于无线联邦学习的图像识别装置,其特征在于,所述基于无线联邦学习的图像识别装置包括:
获取模块,用于获取待识别图像和初始图像识别模型;
参数调整模块,用于通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整,得到目标图像识别模型;
识别模块,用于通过所述目标图像识别模型对所述待识别图像进行识别,得到与所述待识别图像相对应的文字描述信息。
9.一种基于无线联邦学习的图像识别设备,其特征在于,所述基于无线联邦学习的图像识别设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于无线联邦学习的图像识别程序,所述基于无线联邦学习的图像识别程序配置有实现如权利要求1至7中任一项所述的基于无线联邦学习的图像识别方法。
10.一种存储介质,其特征在于,所述存储介质上存储有基于无线联邦学习的图像识别程序,所述基于无线联邦学习的图像识别程序被处理器执行时实现如权利要求1至7中任一项所述的基于无线联邦学习的图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211164597.4A CN115620316A (zh) | 2022-09-23 | 2022-09-23 | 基于无线联邦学习的图像识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211164597.4A CN115620316A (zh) | 2022-09-23 | 2022-09-23 | 基于无线联邦学习的图像识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620316A true CN115620316A (zh) | 2023-01-17 |
Family
ID=84858314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211164597.4A Pending CN115620316A (zh) | 2022-09-23 | 2022-09-23 | 基于无线联邦学习的图像识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620316A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363678A (zh) * | 2023-05-31 | 2023-06-30 | 华南理工大学 | 一种数学公式图像的识别方法、系统和计算机设备 |
CN117218686A (zh) * | 2023-10-20 | 2023-12-12 | 广州脉泽科技有限公司 | 一种开放场景下的掌静脉roi提取方法及系统 |
-
2022
- 2022-09-23 CN CN202211164597.4A patent/CN115620316A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116363678A (zh) * | 2023-05-31 | 2023-06-30 | 华南理工大学 | 一种数学公式图像的识别方法、系统和计算机设备 |
CN116363678B (zh) * | 2023-05-31 | 2023-08-11 | 华南理工大学 | 一种数学公式图像的识别方法、系统和计算机设备 |
CN117218686A (zh) * | 2023-10-20 | 2023-12-12 | 广州脉泽科技有限公司 | 一种开放场景下的掌静脉roi提取方法及系统 |
CN117218686B (zh) * | 2023-10-20 | 2024-03-29 | 广州脉泽科技有限公司 | 一种开放场景下的掌静脉roi提取方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986050B (zh) | 一种基于多分支卷积神经网络的图像和视频增强方法 | |
CN115620316A (zh) | 基于无线联邦学习的图像识别方法、装置、设备及介质 | |
CN113688723B (zh) | 一种基于改进YOLOv5的红外图像行人目标检测方法 | |
CN111444878B (zh) | 一种视频分类方法、装置及计算机可读存储介质 | |
CN109543502B (zh) | 一种基于深度多尺度神经网络的语义分割方法 | |
CN106570464B (zh) | 一种快速处理人脸遮挡的人脸识别方法及装置 | |
CN111950723B (zh) | 神经网络模型训练方法、图像处理方法、装置及终端设备 | |
CN113674140B (zh) | 一种物理对抗样本生成方法及系统 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN110020658B (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
CN114627102B (zh) | 一种图像异常检测方法、装置、系统及可读存储介质 | |
CN113505854A (zh) | 一种人脸图像质量评价模型构建方法、装置、设备及介质 | |
CN114282047A (zh) | 小样本动作识别模型训练方法、装置、电子设备及存储介质 | |
Sandoub et al. | A low‐light image enhancement method based on bright channel prior and maximum colour channel | |
Gao et al. | Single image dehazing using local linear fusion | |
CN112348809A (zh) | 基于多任务深度学习的无参考屏幕内容图像质量评价方法 | |
CN112084954A (zh) | 视频目标的检测方法、装置、电子设备及存储介质 | |
Uddin et al. | Visual saliency based structural contrast quality index | |
CN116310375A (zh) | 基于视觉注意力机制的盲图像质量评估方法 | |
CN114048349A (zh) | 一种推荐视频封面的方法、装置及电子设备 | |
CN114004974A (zh) | 对弱光环境下拍摄的图像的优化方法及装置 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN112949494A (zh) | 灭火器位置检测方法、装置、设备及存储介质 | |
CN112712550A (zh) | 一种图像质量评价方法及装置 | |
CN112733670A (zh) | 指纹特征提取方法、装置、电子设备及存储介质 |
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 |