物体识别模型的联合训练方法、服务器及电器设备技术

本申请公开了一种物体识别模型的联合训练方法、服务器及电器设备，该方法包括：中心服务器至少接收分别来自两个电器设备的两组特征参数，特征参数是电器设备利用本地样本数据对电器设备上的物体识别初始模型进行训练时得到的；联合至少两组特征参数计算得到融合损失；响应于融合损失收敛，向各所述电器设备发送更新模型通知，以使各所述电器设备利用提取最终特征参数时所对应的模型参数更新所述物体识别初始模型，得到更新后的物体识别模型；所述最终特征参数是所述融合损失收敛时所对应的每组所述特征参数。通过上述方式，本申请能够提高模型训练的效率、保护样本数据的隐私和安全。

Joint training method, server and electrical equipment of object recognition model

【技术实现步骤摘要】
物体识别模型的联合训练方法、服务器及电器设备
本申请涉及智能家居
，特别是涉及物体识别模型的联合训练方法、服务器及电器设备。
技术介绍
随着无线网络技术的发展，智能家居领域的迅速崛起，使我们的生活更加舒适、便利和安全。物联网是在计算机互联网的基础上,利用射频自动识别技术、无线数据通信技术等构造一个覆盖世界万物的网络。智能家居控制系统具有网络远程控制、遥控器控制、触摸开关控制、自动报警等功能，使得物联网的应用更加生活化，为每个家庭带来了极大的便利。智能家居作为物联网产业中的重要一环，其巨大的市场潜力已逐渐显现出来，并得到了越来越多的关注度。现有的家用电器物体识别系统一般是将离线训练好的模型嵌入到相应的产品中。因此，为了得到好的物体识别效果，需要对每种电器基于各自的场景训练出相应的模型，耗费了大量的人力和物力。此外，各个场景所能得到的数据也是非常有限的，从而给模型嵌入到产品的工作带来了极大的困难。
技术实现思路
本申请主要解决的技术问题是提供一种物体识别模型的联合训练方法、服务器及电器设备，能够提高模型训练的效率、保护样本数据的隐私和安全。为解决上述技术问题，本申请采用的一个技术方案是：提供一种物体识别模型的联合训练方法，该方法包括：中心服务器至少接收分别来自两个电器设备的两组特征参数，特征参数是电器设备利用本地样本数据对电器设备上的物体识别初始模型进行训练时得到的；联合至少两组特征参数计算得到融合损失；响应于融合损失收敛，向各电器设备发送更新模型通知，以使各电器设备利用提取最终特征参数时所对应的模型参数更新物体识别初始模型，得到更新后的物体识别模型；最终特征参数是融合损失收敛时所对应的每组特征参数。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种物体识别模型的联合训练方法，该方法包括电器设备利用本地样本数据对电器设备上的物体识别初始模型进行训练，得到特征参数；将特征参数加密后发送给中心服务器，以使中心服务器联合至少两组特征参数计算得到融合损失，直至融合损失收敛；接收来自中心服务器的更新模型通知，利用提取最终特征参数时所对应的模型参数更新物体识别初始模型，得到更新后的物体识别模型，最终特征参数是融合损失收敛时所对应的每组特征参数。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种服务器，该服务器包括处理器，处理器用于执行指令以实现上述任一项所述的物体识别模型的联合训练方法。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种电器设备，该电器设备包括处理器，处理器用于执行指令以实现上述任一项所述的物体识别模型的联合训练方法。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种存储介质，存储有指令，该指令被执行时实现上述任一项所述的物体识别模型的联合训练方法。本申请的有益效果是：区别于现有技术的情况，本申请通过利用中心服务器来协调多个电器设备对物体识别模型进行联合训练，且在联合训练时，各电器设备只与服务器交互特征参数，并不需要共享上载样本数据，各电器设备的样本数据均保留在本地，既能够实现模型数据的共享，提高训练效率，还保护了样本数据的隐私和安全。附图说明图1是本申请一实施方式中物体识别模型的联合训练方法的流程示意图；图2是本申请另一实施方式中物体识别模型的联合训练方法的流程示意图；图3是本申请又一实施方式中物体识别模型的联合训练方法的流程示意图；图4是本申请再一实施方式中物体识别模型的联合训练方法的流程示意图；图5是本申请一实施方式中服务器的结构示意图；图6是本申请一实施方式中电器设备的结构示意图；图7为本申请一实施方式中存储介质的结构示意图。具体实施方式为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。本申请提供一种物体识别模型的联合训练方法，利用大数据技术，可联合多个电器设备端和/或多种场景中的样本数据进行模型训练，能够解决单个电器设备和单个场景的数据单一性和匮乏性问题，同时还能够实现不同场景间模型的移植，提高模型训练效率，同时可降低训练成本。请参阅图1，图1是本申请一实施方式中物体识别模型的联合训练方法的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。该实施方式中，利用中心服务器来协调各个电器设备端的联合训练，该实施例包括：S110：中心服务器至少接收分别来自两个电器设备的两组特征参数。其中，特征参数是电器设备利用本地样本数据对电器设备上的物体识别初始模型进行训练时得到的。每个电器设备得到一组特征参数，每组特征参数可包含一个或多个数据，服务器端以电器设备为单位区分特征参数，即有几个电器设备与中心服务器交互，服务器就会收到几组特征参数。该实施方式中，为了保护样本数据的隐私和安全，各个电器设备不需要将其拥有的样本数据上传至服务器，而是各自在本地，利用本地的样本数据对模型进行学习训练，然后只将训练所得的特征参数上传至服务器。通过这种方式，能够将模型训练与直接访问原始训练数据的需求分离开来，使数据攻击面仅限于设备，而不是设备和云，能够显著降低隐私和安全风险。同时，各电器设备还不用公开具体的样本数据，保护了样本数据的隐私。S120：联合至少两组特征参数计算得到融合损失，直至融合损失收敛。其中，服务器在得到各个电器设备发送的特征参数后，可联合各个特征参数计算得到融合损失，融合损失是联合各个电器设备上的物体识别模型的损失计算得到的总损失，如可以是将各个电器设备上的物体识别模型的损失进行加权平均计算得到融合损失。若融合损失收敛，则训练结束，服务器向每个电器设备发送更新模型通知；若融合损失不收敛，则返回继续训练通知，各电器设备继续迭代训练，直至融合损失收敛。S130：响应于融合损失收敛，向各电器设备发送更新模型通知。其中，电器设备在接收到更新模型通知后，利用提取最终特征参数时所对应的模型参数更新物体识别初始模型，得到更新后的物体识别模型，实现模型的联合训练。最终特征参数是融合损失收敛时所对应的每组特征参数。该实施方式中，通过利用中心服务器来协调多个电器设备对物体识别模型进行联合训练，且在联合训练时，各电器设备只与服务器交互特征参数，并不需要共享上载样本数据，各电器设备的样本数据均保留在本地，既能够实现模型数据的共享，提高训练效率，还保护了样本数据的隐私和安全。在一实施方式中，参与联合训练的各电器设备可以是冰箱、烤箱、微波炉、电饭锅、洗衣机等家用电器；也可以是手机、电脑、相机等电子设备。在一般的家电产品(如冰箱、烤箱、微波炉等)中，其物体识别模型往往只依赖于某一特定场景的数据而训练得到，使得最终的模型无法在不同的家电产品之间进行很好的移植；即使同一应用场景的数据也仅限于某一设备上，没能很好的关联其他同类型的产品。本申请所提供的方法可联合同一应用场景的多个电器设备进行训练，也可以联合不同应用场景的多个电本文档来自技高网...

【技术保护点】
1.一种物体识别模型的联合训练方法，其特征在于，包括：/n中心服务器至少接收分别来自两个电器设备的两组特征参数，所述特征参数是所述电器设备利用本地样本数据对所述电器设备上的物体识别初始模型进行训练时得到的；/n联合至少两组所述特征参数计算得到融合损失；/n响应于所述融合损失收敛，向各所述电器设备发送更新模型通知，以使各所述电器设备利用提取最终特征参数时所对应的模型参数更新所述物体识别初始模型，得到更新后的物体识别模型；所述最终特征参数是所述融合损失收敛时所对应的每组所述特征参数。/n

【技术特征摘要】
1.一种物体识别模型的联合训练方法，其特征在于，包括：
中心服务器至少接收分别来自两个电器设备的两组特征参数，所述特征参数是所述电器设备利用本地样本数据对所述电器设备上的物体识别初始模型进行训练时得到的；
联合至少两组所述特征参数计算得到融合损失；
响应于所述融合损失收敛，向各所述电器设备发送更新模型通知，以使各所述电器设备利用提取最终特征参数时所对应的模型参数更新所述物体识别初始模型，得到更新后的物体识别模型；所述最终特征参数是所述融合损失收敛时所对应的每组所述特征参数。


2.根据权利要求1所述的物体识别模型的联合训练方法，其特征在于，所述联合至少两组特征参数计算得到融合损失包括：
分别利用每组所述特征参数计算得到每个子损失，所述子损失为所述电器设备上的物体识别模型的损失值；
将各个所述子损失进行加权平均得到所述融合损失。


3.根据权利要求1所述的物体识别模型的联合训练方法，其特征在于，所述电器设备至少包括第一电器设备和第二电器设备，所述第一电器设备与所述第二电器设备的应用场景不同，所述联合至少两组特征参数计算得到融合损失包括：
利用深度度量学习算法联合至少两组所述特征参数计算得到所述融合损失。


4.根据权利要求3所述的物体识别模型的联合训练方法，其特征在于，所述利用深度度量学习算法联合至少两组所述特征参数计算得到所述融合损失包括：
约束相同场景的同类物体的特征距离小于不同场景之间的同类物体的特征距离，不同场景之间的同类物体的特征距离小于不同类物体的特征距离。


5.根据权利要求1所述的物体识别模型的联合训练方法，其特征在于，所述物体识别初始模型为mobilenet-v2模型。


6.根据权利要求1所述的物体识别模型的联合训练方法，其特征在于，所述中心服务器至少...

【专利技术属性】
技术研发人员：吴博文，朱林楠，
申请(专利权)人：广东美的白色家电技术创新中心有限公司，美的集团股份有限公司，
类型：发明
国别省市：广东;44