基于无线联邦学习的图像识别方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及无线通信技术领域，公开了一种基于无线联邦学习的图像识别方法、装置、设备及介质，所述方法包括：获取待识别图像和初始图像识别模型；通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整，得到目标图像识别模型；通过所述目标图像识别模型对所述待识别图像进行识别，得到与所述待识别图像相对应的文字描述信息；通过上述方式，通过预设加速移动联邦学习算法根据目标动量因子将初始图像识别模型参数调整为目标图像识别模型，然后利用目标图像识别模型对待识别图像进行识别，从而能够适应无线信道中的噪声和衰落对图像识别的影响，进而有效提高识别图像的准确性。效提高识别图像的准确性。效提高识别图像的准确性。

【技术实现步骤摘要】
基于无线联邦学习的图像识别方法、装置、设备及介质


[0001]本专利技术涉及无线通信
，尤其涉及基于无线联邦学习的图像识别方法、装置、设备及介质。

技术介绍

[0002]随着互联网技术的不断发展，人们更热衷于通过图片来表达个人的想法，例如，在聊天是使用图像表情表达当前时刻的情绪，在路口使用路标符号表明交通要求，如限速、禁停以及禁止驶入等情况，特定领域的编码图像等，但是对于不同的用户来说，可能会出现无法看懂表情或者图标的情况，造成曲解本来的含义，目前用于识别图像的相关技术是图像的二值化、去噪、特征提取及特征识别等操作，但是上述相关技术是通过操作化的方式进行图像识别，使得在识别过程中无法适应无线信道中的噪声和衰落对图像识别的影响，造成图像识别的准确性较低。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0004]本专利技术的主要目的在于提供一种基于无线联邦学习的图像识别方法、装置、设备及介质，旨在解决现有技术无法适应无线信道中的噪声和衰落对图像识别的影响，造成图像识别的准确性较低的技术问题。
[0005]为实现上述目的，本专利技术提供了一种基于无线联邦学习的图像识别方法，所述基于无线联邦学习的图像识别方法包括以下步骤：
[0006]获取待识别图像和初始图像识别模型；
[0007]通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整，得到目标图像识别模型；
[0008]通过所述目标图像识别模型对所述待识别图像进行识别，得到与所述待识别图像相对应的文字描述信息。
[0009]可选地，所述通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整，得到目标图像识别模型，包括：
[0010]获取客户端运行数据集，所述客户端的数量为N，N≥1；
[0011]通过预设分布式主成分分解算法对所述运行数据集进行特征提取，得到目标运行数据；
[0012]根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息；
[0013]通过预设加速移动联邦学习算法根据目标动量因子和所述目标梯度信息对所述初始图像识别模型进行参数调整，得到目标图像识别模型。
[0014]可选地，所述通过预设加速移动联邦学习算法根据目标动量因子和所述当前梯度信息对所述初始图像识别模型进行参数调整，得到目标图像识别模型，包括：
[0015]根据所述当前梯度信息对所述初始图像识别模型进行梯度对齐；
[0016]对梯度对齐后的初始图像识别模型进行聚合；
[0017]通过预设加速移动联邦学习算法根据目标动量因子和迭代辅助模型参数对聚合后的初始图像识别模型进行参数调整，得到目标图像识别模型。
[0018]可选地，所述根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息，包括：
[0019]根据链路距离和信道系数向量计算出信道衰减抵消因子；
[0020]根据所述目标运行数据得到客户端输出功率；
[0021]根据所述信道系数向量、信道衰减抵消因子以及客户端输出功率设置信道对齐系数；
[0022]根据所述信道对齐系数确定目标梯度信息。
[0023]可选地，所述根据所述信道对齐系数确定目标梯度信息，包括：
[0024]获取预设功率控制参数；
[0025]根据所述预设功率控制参数和所述信道对齐系数计算当前梯度信息；
[0026]根据本地数据集对所述当前梯度信息进行归一化处理，得到目标梯度信息。
[0027]可选地，所述通过所述目标图像识别模型对所述待识别图像进行识别，得到与所述待识别图像相对应的文字描述信息之前，还包括：
[0028]获取样本测试数据集；
[0029]根据所述样本测试数据集对目标图像识别模型进行测试，得到当前测试结果；
[0030]根据所述当前测试结果确定所述目标图像识别模型的当前收敛性能；
[0031]在所述当前收敛性能高于或等于预设收敛性能阈值时，继续执行通过所述目标图像识别模型对所述待识别图像进行识别，得到与所述待识别图像相对应的文字描述信息的步骤；
[0032]在所述当前收敛性能低于预设收敛性能阈值时，返回执行对图像识别模型进行参数调整的步骤。
[0033]可选地，所述通过所述目标图像识别模型对所述待识别图像进行识别，得到与所述待识别图像相对应的文字描述信息，包括：
[0034]通过预设分布式主成分分解算法对所述待识别图像进行特征提取，得到待识别图像特征；
[0035]通过所述目标图像识别模型对所述待识别图像特征进行识别，得到与所述待识别图像相对应的文字描述信息。
[0036]此外，为实现上述目的，本专利技术还提出一种基于无线联邦学习的图像识别装置，所述基于无线联邦学习的图像识别装置包括：
[0037]获取模块，用于获取待识别图像和初始图像识别模型；
[0038]参数调整模块，用于通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整，得到目标图像识别模型；
[0039]识别模块，用于通过所述目标图像识别模型对所述待识别图像进行识别，得到与所述待识别图像相对应的文字描述信息。
[0040]此外，为实现上述目的，本专利技术还提出一种基于无线联邦学习的图像识别设备，所
述基于无线联邦学习的图像识别设备包括：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基于无线联邦学习的图像识别程序，所述基于无线联邦学习的图像识别程序配置为实现如上文所述的基于无线联邦学习的图像识别方法。
[0041]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有基于无线联邦学习的图像识别程序，所述基于无线联邦学习的图像识别程序被处理器执行时实现如上文所述的基于无线联邦学习的图像识别方法。
[0042]本专利技术提出的基于无线联邦学习的图像识别方法，通过获取待识别图像和初始图像识别模型；通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整，得到目标图像识别模型；通过所述目标图像识别模型对所述待识别图像进行识别，得到与所述待识别图像相对应的文字描述信息；通过上述方式，通过预设加速移动联邦学习算法根据目标动量因子将初始图像识别模型参数调整为目标图像识别模型，然后利用目标图像识别模型对待识别图像进行识别，从而能够适应无线信道中的噪声和衰落对图像识别的影响，进而有效提高识别图像的准确性。
附图说明
[0043]图1为本专利技术基于无线联邦学习的图像识别方法第一实施例的流程示意图；
[0044]图2为本专利技术基于无线联邦学习的图像识别方法一实施例的训练模型收敛性能示意图；
[0045]图3为本专利技术基于无线联邦学习的图像识别方法一实施例的信道阈值与模型效果示意图；
[0046]图4为本专利技术基于无线联邦学习的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无线联邦学习的图像识别方法，其特征在于，所述基于无线联邦学习的图像识别方法包括以下步骤：获取待识别图像和初始图像识别模型；通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整，得到目标图像识别模型；通过所述目标图像识别模型对所述待识别图像进行识别，得到与所述待识别图像相对应的文字描述信息。2.如权利要求1所述的基于无线联邦学习的图像识别方法，其特征在于，所述通过预设加速移动联邦学习算法根据目标动量因子对所述初始图像识别模型进行参数调整，得到目标图像识别模型，包括：获取客户端运行数据集，所述客户端的数量为N，N≥1；通过预设分布式主成分分解算法对所述运行数据集进行特征提取，得到目标运行数据；根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息；通过预设加速移动联邦学习算法根据目标动量因子和所述目标梯度信息对所述初始图像识别模型进行参数调整，得到目标图像识别模型。3.如权利要求2所述的基于无线联邦学习的图像识别方法，其特征在于，所述通过预设加速移动联邦学习算法根据目标动量因子和所述当前梯度信息对所述初始图像识别模型进行参数调整，得到目标图像识别模型，包括：根据所述当前梯度信息对所述初始图像识别模型进行梯度对齐；对梯度对齐后的初始图像识别模型进行聚合；通过预设加速移动联邦学习算法根据目标动量因子和迭代辅助模型参数对聚合后的初始图像识别模型进行参数调整，得到目标图像识别模型。4.如权利要求2所述的基于无线联邦学习的图像识别方法，其特征在于，所述根据当前模型参数、链路距离以及所述目标运行数据确定目标梯度信息，包括：根据链路距离和信道系数向量计算出信道衰减抵消因子；根据所述目标运行数据得到客户端输出功率；根据所述信道系数向量、信道衰减抵消因子以及客户端输出功率设置信道对齐系数；根据所述信道对齐系数确定目标梯度信息。5.如权利要求4所述的基于无线联邦学习的图像识别方法，其特征在于，所述根据所述信道对齐系数确定目标梯度信息，包括：获取预设功率控制参数；根据所述预设功率控制参数和所述信道对齐系数计算当前梯度信息；根据本地数据集对所述当前梯度信息进行归一化处...

【专利技术属性】
技术研发人员：董延杰，王鲁亚，王佳，李坚强，张海君，于非，郭嵩，梁中明，
申请(专利权)人：深圳大学，
类型：发明
国别省市：