[发明专利]基于通用框架的多任务联邦学习场景识别方法及相关组件

说明书

本发明公开了基于通用框架的多任务联邦学习场景识别方法及相关组件。该方法包括获取每一场景中的数据集，其中数据集为图像数据集或视频数据集；从云端获取当前全局模型参数至每一场景边端，并使用每一场景的数据集进行本地训练，得到对应每一场景的本地模型；将每一场景的本地模型的参数进行同态加密，并上传至云端；对每一场景的本地模型的参数进行解密并输出各场景分类结果，根据当前训练的所述本地模型更新全局模型。本发明利用联邦学习算法保护不同场景下的数据隐私，无需对不同训练任务的训练数据集进行参数调整，可直接基于通用框架对图像和/或视频识别进行协同训练，有效减少了算法平台整体训练成本，可应对多元化的服务场景。

技术领域

本发明涉及神经网络技术领域，尤其涉及一种基于通用框架的多任务联邦学习场景识别方法及相关组件。

背景技术

物业公司的服务面向住宅小区、商业写字楼、社区街道等多种地理场景，需要提供的服务内容包括但不限于手机扫码开门、垃圾清理、车辆违停、居民进出管控、电梯警报等等。一般情况下，上述服务因地理位置分散以及人力物力运筹等问题，通常由服务人员于不同片区监控中心远程统一管理，在发现服务场景后触发下一步服务流程。但人工远程管理在服务及时性以及准确性上无法稳定，因此物业公司采用了图像和视频算法进行多任务监控，降本增效，减少人工上的投入，以提升物业公司服务质量。但是，由于不同业务板块可能涉及多类业务数据（如社区摄像头人流监控视频、垃圾丢弃处监控图片），业务模块差异会造成数据壁垒，引发一系列数据内容隐私保护及传输效率问题。

发明内容

本发明的目的是提供一种基于通用框架的多任务联邦学习场景识别方法及相关组件，旨在解决现有技术在不同物业服务场景识别的模型训练中，存在训练任务需单独进行参数调整导致的训练成本高、难以应对多元化服务场景的问题。

第一方面，本发明实施例提供一种基于通用框架的多任务联邦学习场景识别方法，包括：

获取每一场景中的数据集，其中数据集为图像数据集或视频数据集；

从云端获取当前全局模型参数至每一场景边端，并使用每一场景的数据集进行本地训练，得到对应每一场景的本地模型；

将每一场景的本地模型的参数进行同态加密，并上传至云端；

对每一场景的本地模型的参数进行解密并输出各场景分类结果；

根据当前训练的所述本地模型更新全局模型。

第二方面，本发明实施例提供一种基于通用框架的多任务联邦学习场景识别装置，包括：

数据获取单元，用于获取每一场景中的数据集，其中数据集为图像数据集或视频数据集；

训练单元，用于从云端获取当前全局模型参数至每一场景边端，并使用每一场景的数据集进行本地训练，得到对应每一场景的本地模型；

加密单元，用于将每一场景的本地模型的参数进行同态加密，并上传至云端；

分类单元，用于对每一场景的本地模型的参数进行解密并输出各场景分类结果；

更新单元，用于根据当前训练的所述本地模型更新全局模型。

第三方面，本发明实施例提供了一种计算机设备，其包括存储器、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计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于通用框架的多任务联邦学习场景识别方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于通用框架的多任务联邦学习场景识别方法。