【技術實現步驟摘要】
本專利技術涉及人工智能與計算機視覺識別，特別涉及一種基于聯邦學習的目標識別方法、裝置、設備及介質。
技術介紹
1、在目標識別中，雷達可以通過分析目標散射的電磁波信號的多普勒頻移等信息識別出目標的類型；比如在目標速度高時，回波的多普勒頻移大；但是在現實情況中，雷達自身存在著一定的遮蔽角，因而對于在雷達遮蔽角內的目標識別存在一定的缺陷；因此，如今解決此類問題的方法是通過架設的光學和熱學傳感器監視低空環境及時發現目標，通過對圖像的融合處理和目標識別，識別出其中包含的目標物體。
2、目前，對于圖像中目標物體的識別最主流的方法是深度學習算法，其主要特點是使用卷積神經網絡(convolutionalneuralnetwork，cnn)進行特征提取和分類；卷積神經網絡是深度學習中最常用的一種網絡結構，它可以自動提取圖像中的特征，并將其轉化為計算機可以理解的數據；卷積神經網絡包括卷積層、池化層、全連接層等，其中卷積層是最核心的部分；通過卷積層可以提取圖像中的局部特征，并且能夠保留空間信息，其優點在于具有良好的特征提取和分類性能，可以應用于圖像分類、目標檢測、人臉識別等領域。
3、對于圖像的識別，其是直接在原圖像的基礎上提取圖像的特征信息；圖像的特征描述為以下四個方面：圖像的顏色特征、圖像的幾何特征、圖像的紋理特征、圖像的局部特征；對于遙感圖像的卷積操作來說，圖像實際是由各個像素點組合而成，每個像素可以用r、g、b像素值表述為三元組，這樣圖像可以通過矩陣的方式參與圖像在數學上的卷積操作，通過提供一個專門的卷積核對圖像進行處
技術實現思路
1、本專利技術實施例提供一種基于聯邦學習的目標識別方法、裝置、設備及介質，可以解決現有技術中，因收集到的目標數據的變化多樣性和復雜性，目前的方法在目標識別準確率方面存在一定的局限性的問題。
2、本專利技術實施例提供一種基于聯邦學習的目標識別方法，包括以下步驟：
3、多臺遙感設備分別獲取對應目標的多張遙感圖像，分別形成對應目標的圖像數據集；
4、每臺遙感設備利用yolov8算法對對應的圖像數據集進行訓練，分別得到每臺遙感設備對應的初步目標識別模型；
5、在橫向聯邦學習框架下利用fedavg聚合算法將每種初步目標識別模型中的模型參數進行聚合，得到全量模型參數；求取全量模型參數的平均值得到全局模型參數；
6、每臺遙感設備利用全局模型參數更新對應的初步目標識別模型，每臺遙感設備得到對應的最終目標識別模型，并利用對應的最終目標識別模型識別對應圖像數據集中的目標。
7、優選地，所述分別形成對應目標的圖像數據集，包括以下步驟：
8、利用多臺遙感設備所搭載的傳感器，分別獲取對應的多張目標遙感圖像；
9、利用voc-lable標注軟件對目標遙感圖像進行數據清洗、去噪、對齊及標定，得到標注后的目標遙感圖像，并分別形成每臺遙感設備對應目標的圖像數據集。
10、優選地，所述利用yolov8算法對對應的圖像數據集進行訓練，包括：
11、所述yolov8算法采用cspdarknet網絡架構，并在yolov8算法的卷積層之間引入focalloss損失函數及maskrcnn模塊，將focalloss損失函數及maskrcnn模塊與yolov8算法的卷積層進行融合，形成改進的yolov8算法；
12、利用改進的yolov8算法對對應的圖像數據集進行訓練。
13、優選地，所述得到全局模型參數，包括：
14、中央服務器接收到各遙感設備傳來的模型參數后，使用聯邦聚合算法更新模型的參數；
15、fedavg算法更新模型參數不再通過模型壓縮，而是通過將各遙感設備的本地模型yolov8的全量參數上傳到中央服務器后，對上傳的全量模型參數求平均值得到更新后的全局模型參數。
16、優選地，所述得到更新后的全局模型參數后，中央服務器再將更新后的全局模型參數下發至各個遙感設備，在各個遙感設備上完成對模型參數的更新聚合。
17、本專利技術實施例還提供一種基于聯邦學習的目標識別裝置，包括：
18、圖像采集模塊，多臺遙感設備分別獲取對應目標的多張遙感圖像，分別形成對應目標的圖像數據集；
19、本地模型訓練模塊，每臺遙感設備利用yolov8算法對對應的圖像數據集進行訓練，分別得到每臺遙感設備對應的初步目標識別模型；
20、模型參數聚合模塊，在橫向聯邦學習框架下利用fedavg聚合算法將每種初步目標識別模型中的模型參數進行聚合，得到全量模型參數；求取全量模型參數的平均值得到全局模型參數；
21、目標識別模塊，每臺遙感設備利用全局模型參數更新對應的初步目標識別模型，每臺遙感設備得到對應的最終目標識別模型，并利用對應的最終目標識別模型識別對應圖像數據集中的目標。
22、本專利技術實施例還提供一種電子設備，包括存儲器和處理器；
23、所述存儲器，用于存儲計算機程序；
24、所述處理器，用于執行所述存儲器中存儲的計算機程序時，實現如上所述的一種基于聯邦學習的目標識別方法的步驟。
25、本專利技術實施例還提供一種計算機可讀存儲介質，用于存儲計算機程序，所述計算機程序被處理器執行時實現如上所述的一種基于聯邦學習的目標識別方法的步驟。
26、本專利技術實施例提供一種基于聯邦學習的目標識別方法、裝置、設備及介質，與現有技術相比，其有益效果如下：
27、本專利技術首先用多個遙感設備分別獲取對應的遙感圖像數據集，利用yolov8算法分別進行訓練得到每臺遙感設備對應的初步目標識別模型，在橫向聯邦學習的框架下利用fedavg聚合算法對每種初步目標識別模型中的模型參數進行聚合形成全量模型參數，并求全量模型參數的平均值得到全局模型參數，區別于傳統的中央集中式機器學習框架，聯邦學習實現了模型聚合和數據最小化，而后每臺遙感設備利用全局模型參數更新對應的目標識別模型來實現目標的識別，且同時充分利用了每臺遙感設備的計算能力，降低了目標數據的變化多樣性和復雜性，使得目標識別的準確率大大提高。
28、并且，本專利技術引入聯邦學習的思想，通過在不同的遙感設備和數據源之間進行模型訓練和參數共享，有效解決了數據孤島和隱私保護的問題。
本文檔來自技高網...【技術保護點】
1.一種基于聯邦學習的目標識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于聯邦學習的目標識別方法，其特征在于，所述分別形成對應目標的圖像數據集，包括以下步驟：
3.根據權利要求1所述的一種基于聯邦學習的目標識別方法，其特征在于，所述利用YOLOv8算法對對應的圖像數據集進行訓練，包括：
4.根據權利要求1所述的一種基于聯邦學習的目標識別方法，其特征在于，所述得到全局模型參數，包括：
5.根據權利要求4所述的一種基于聯邦學習的目標識別方法，其特征在于，所述得到更新后的全局模型參數后，中央服務器再將更新后的全局模型參數下發至各個遙感設備，在各個遙感設備上完成對模型參數的更新聚合。
6.一種基于聯邦學習的目標識別裝置，其特征在于，包括：
7.一種電子設備，其特征在于，包括：存儲器和處理器；
8.一種計算機可讀存儲介質，其特征在于，用于存儲計算機程序，所述計算機程序被處理器執行時實現如權利要求1～5任一項所述的一種基于聯邦學習的目標識別方法的步驟。
【技術特征摘要】
1.一種基于聯邦學習的目標識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于聯邦學習的目標識別方法，其特征在于，所述分別形成對應目標的圖像數據集，包括以下步驟：
3.根據權利要求1所述的一種基于聯邦學習的目標識別方法，其特征在于，所述利用yolov8算法對對應的圖像數據集進行訓練，包括：
4.根據權利要求1所述的一種基于聯邦學習的目標識別方法，其特征在于，所述得到全局模型參數，包括：
5.根據權利要求4所述的...
【專利技術屬性】
技術研發人員：柴進晉，張秦，穆慧琳，劉欣，宋玉偉，湯榮濤，
申請(專利權)人：中國人民解放軍空軍工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。