[发明专利]基于联邦学习的人脸识别模型训练方法及装置

权利要求书

1.一种基于联邦学习的人脸识别模型训练方法，其特征在于，应用于目标客户端，所述方法包括：

接收服务器发送的等效类别向量矩阵和第一骨干网络参数；所述等效类别向量矩阵包括：n个等效类别向量；所述n个等效类别向量由所述服务器对于C-m个候选客户端的类别向量进行融合计算得到；

基于所述第一骨干网络参数、所述目标客户端的样本人脸图像、所述目标客户端的第一类别向量及所述等效类别向量矩阵，对人脸识别模型进行训练，得到目标人脸识别模型及所述目标客户端的第二类别向量；

向所述服务器发送所述第二类别向量和所述目标人脸识别模型的目标骨干网络参数。

2.根据权利要求1所述的基于联邦学习的人脸识别模型训练方法，其特征在于，

所述目标人脸识别模型的损失函数是基于所述样本人脸图像的特征向量与所述目标客户端的第一类别向量之间的余弦相似度，以及所述样本人脸图像的特征向量与所述第一类别向量和所述等效类别向量矩阵之间的余弦相似度确定的。

3.根据权利要求2所述的基于联邦学习的人脸识别模型训练方法，其特征在于，所述损失函数采用公式(1)表示：

其中，N表示所述目标客户端的样本人脸图像数量；s_yi,i表示第i个样本的类别向量与第i个样本的特征向量之间的余弦相似度，i表示客户端的样本，y_i是第i个样本所示的类别；s_j,i表示类别向量w_j和第i个样本的特征向量之间的余弦相似度，j表示每个客户端的类别向量；C是指每个客户端的类别向量数量和等效类别向量数量之和。

4.根据权利要求1所述的基于联邦学习的人脸识别模型训练方法，其特征在于，所述接收服务器发送的等效类别向量矩阵和第一骨干网络参数之前，所述方法还包括：

将所述目标客户端的第一标识发送至所述服务器；所述第一标识用于表示所述目标客户端。

5.一种基于联邦学习的人脸识别模型训练方法，其特征在于，应用于服务器，所述方法包括：

对C个候选客户端中C-m个候选客户端的类别向量进行融合计算，得到等效类别向量矩阵；其中，所述等效类别向量矩阵包括n个等效类别向量；

向所述C个候选客户端中除所述C-m个候选客户端之外的m个候选客户端，分别发送第一骨干网络参数和所述等效类别向量矩阵；

接收所述m个候选客户端中每个候选客户端发送的目标骨干网络参数和所述第二类别向量；

对所述m个候选客户端中每个候选客户端发送的目标骨干网络参数进行聚合，得到第二骨干网络参数。

6.根据权利要求5所述的基于联邦学习的人脸识别模型训练方法，其特征在于，所述对C个候选客户端中C-m个候选客户端的类别向量进行融合计算，得到等效类别向量矩阵，包括：

从所述C-m个候选客户端中随机选择n对客户端，分别对所述n对客户端中每对客户端的类别向量进行融合计算，得到n个等效类别向量。

7.根据权利要求6所述的基于联邦学习的人脸识别模型训练方法，其特征在于，所述分别对所述n对客户端中每对客户端的类别向量进行融合计算，得到n个等效类别向量，包括：

分别对所述n对客户端中每对客户端的类别向量，采用公式(2)和公式(3)进行融合计算，得到n个等效类别向量；

其中，所述w_i和w_j表示所述每对客户端的类别向量；所述为所述w_i和w_j对应的等效类别向量。