[發(fā)明專利]一種圖像識別方法、裝置、設(shè)備及計算機(jī)可讀存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110779957.0
• 申請日: 2021-07-09
• 公開（公告）號: CN113378994B
• 公開（公告）日: 2022-09-02
• 發(fā)明（設(shè)計）人: 陳珉;毛冰城;金朝匯;諶明
• 申請（專利權(quán)）人: 浙江大學(xué);浙江核新同花順網(wǎng)絡(luò)信息股份有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/82
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 孫曉紅

1.一種圖像識別方法，其特征在于，包括：

將全局模型框架及全局權(quán)重發(fā)送至各設(shè)備，判斷全局模型是否收斂或迭代次數(shù)是否達(dá)到最大迭代次數(shù)，若否，由各所述設(shè)備利用本地圖像集對全局模型進(jìn)行訓(xùn)練，得到本地模型權(quán)重；所述全局模型為帶有所述全局權(quán)重的全局模型框架；

利用所述全局權(quán)重及各所述設(shè)備的本地模型權(quán)重，計算平均模型偽梯度，并利用所述平均模型偽梯度計算一階矩估計；

根據(jù)所述一階矩估計得到當(dāng)前全局權(quán)重，根據(jù)所述當(dāng)前全局權(quán)重得到當(dāng)前全局模型，將所述當(dāng)前全局權(quán)重發(fā)送至各所述設(shè)備，并執(zhí)行判斷全局模型是否收斂或迭代次數(shù)是否達(dá)到最大迭代次數(shù)的步驟，直至所述當(dāng)前全局模型收斂或迭代輪次達(dá)到最大迭代次數(shù)為止；

獲取待識別圖像，利用所述當(dāng)前全局模型對待識別圖像進(jìn)行識別；

其中，在利用所述全局權(quán)重及各所述設(shè)備的本地模型權(quán)重，計算平均模型偽梯度時，還包括：

利用所述全局權(quán)重及各所述設(shè)備的本地模型權(quán)重，計算平均絕對模型偽梯度，利用所述平均絕對模型偽梯度計算二階矩估計；

相應(yīng)地，根據(jù)所述一階矩估計得到當(dāng)前全局權(quán)重，包括：

根據(jù)所述一階矩估計和所述二階矩估計得到所述當(dāng)前全局權(quán)重；

其中，利用所述全局權(quán)重及各所述設(shè)備的本地模型權(quán)重，計算平均絕對模型偽梯度，利用所述平均絕對模型偽梯度計算二階矩估計，包括：

利用計算所述平均絕對模型偽梯度Δ'_t；其中，t為當(dāng)前迭代輪次，S_t為當(dāng)前迭代輪次中參與訓(xùn)練的設(shè)備的集合，|S_t|為S_t中包含的設(shè)備的個數(shù)，為模型偽梯度，為的絕對值，為第i個設(shè)備在當(dāng)前迭代輪次得到的本地模型權(quán)重，w^t-1為上一迭代輪次的全局權(quán)重；

利用計算二階矩估計v_t；其中，v_t-1為上一迭代輪次得到的二階矩估計，β₂為二階矩估計的系數(shù)；

其中，根據(jù)所述一階矩估計和所述二階矩估計得到當(dāng)前全局權(quán)重，包括：利用計算當(dāng)前全局權(quán)重w^t；其中，η₀為全局學(xué)習(xí)率，γ為全局學(xué)習(xí)率遞減系數(shù)，m_t為當(dāng)前迭代輪次得到的一階矩估計，ζ為調(diào)節(jié)系數(shù)且大于0。

2.根據(jù)權(quán)利要求1所述的圖像識別方法，其特征在于，在確定所述全局模型不收斂或所述迭代次數(shù)未達(dá)到最大迭代次數(shù)時，還包括：

從各所述設(shè)備中選擇目標(biāo)設(shè)備，其中，所述目標(biāo)設(shè)備的數(shù)量小于所述設(shè)備的總數(shù)量。

3.根據(jù)權(quán)利要求2所述的圖像識別方法，其特征在于，從各所述設(shè)備中選擇目標(biāo)設(shè)備，包括：

從各所述設(shè)備中隨機(jī)選擇所述目標(biāo)設(shè)備。

4.根據(jù)權(quán)利要求1至3任一項所述的圖像識別方法，其特征在于，在將全局模型框架及全局權(quán)重發(fā)送至各設(shè)備之前，還包括：

對所述全局模型框架及所述全局權(quán)重進(jìn)行加密。