【技术实现步骤摘要】
本专利技术涉及机器学习，尤其涉及一种图像处理方法、装置、设备及介质。
技术介绍
1、神经网络是一种重要的数据分类工具，一个经过良好训练的神经网络可以高效准确的完成对输入数据的分类和预测，在信息处理、模式识别等方面有着广泛的应用。
2、数据安全计算是指在保证数据不对外泄露的前提下，由两个或多个参与方联合完成数据分析计算相关技术的统称。当普通用户希望借助神经网络进行数据分类时，往往需要将数据托管给专业机构，这时如何保护数据隐私就成为最为重要的问题。此外，神经网络算法计算量较大，无法很好地在计算资源受限的设备上运行。
3、目前，引入云计算服务提供了一种解决方案，可以将复杂的神经网络计算任务委托给云服务器，但云服务器的计算能力性能可能有限，若计算量巨大会对云平台的计算速度造成影响，并且同样存在着隐私泄露的风险。
技术实现思路
1、本专利技术提供了一种图像处理方法、装置、设备及介质，可以通过数据安全处理层提高了数据的安全性，通过矩阵逆运算模块实现数据快速处理，提高了计算效率。
2、根据本专利技术的一方面，提供了一种图像处理方法，包括：
3、获取一组待处理图像；其中，所述一组待处理图像包括至少一个参与方的待处理图像；
4、将所述待处理图像输入图像分类模型，得到目标分类结果；
5、其中，所述图像分类模型增设有数据安全处理层，所述数据安全处理层构建有矩阵输入数据缓存模块、矩阵逆运算模块以及矩阵输出数据缓存模块；所述数据安全处理
6、可选的，所述数据安全处理层输出对所述待处理图像进行求逆操作得到目标安全数据，包括：
7、获取每个参与方的待处理图像和第一密钥，以及所述数据安全处理层的第二密钥；
8、将各参与方的待处理图像输入所述图像分类模型，得到预测分类数据；
9、根据所述第一密钥和所述第二密钥对所述预测分类数据进行同态加密，得到每个参与方的梯度密文；
10、根据所述第一密钥对所述梯度密文进行同态解密，得到目标安全数据。
11、可选的，根据所述第一密钥和所述第二密钥对所述预测分类数据进行同态加密，得到每个参与方的梯度密文，包括：
12、通过所述预测分类数据确定所述图像分类模型的梯度向量；其中，所述梯度向量包括设定数量的梯度向量；
13、通过所述第二密钥对所述设定数量的梯度向量进行同态加密，得到梯度密文向量集合；
14、对所述梯度密文向量集合中的梯度密文向量进行聚合，得到聚合梯度密文向量；
15、根据所述第一密钥对所述聚合梯度密文向量进行同态加密，得到各参与方的梯度密文。
16、可选的，所述第一密钥包括参与方的公钥和私钥；
17、相应的，根据所述第一密钥对所述聚合梯度密文向量进行同态加密，得到各参与方的梯度密文，包括：
18、采用第一标识和第二标识分别表示所述聚合梯度密文的第一梯度密文和第二梯度密文；
19、通过盲化因子对所述第一梯度密文和所述第二梯度密文分别进行盲化处理，得到盲化后的第一梯度密文和第二梯度密文；
20、根据各参与方的公钥和盲化后的第一梯度密文和第二梯度密文确定各参与方的梯度密文。
21、可选的，根据各参与方的公钥和盲化后的第一梯度密文和第二梯度密文确定各参与方的梯度密文，包括：
22、通过各参与方的公钥对盲化后的第一梯度密文和第二梯度密文进行同态加密，得到一级密文；
23、对所述一级密文进行去盲化因子处理，得到二级密文；
24、根据设定参数对所述二级密文进行加密得到三级密文，以获得各参与方的梯度密文。
25、可选的，根据所述第一密钥对所述梯度密文进行同态解密，得到目标安全数据，包括：
26、基于所述私钥对所述三级密文进行同态解密，得到设定数量的聚合梯度明文；
27、将设定数量的聚合梯度明文进行组合得到目标安全数据。
28、可选的，所述图像分类模型包括卷积核；
29、所述目标安全数据通过卷积处理后得到目标分类结果，包括：
30、将所述目标安全数据发送至所述卷积核中进行卷积运算，得到目标分类结果。
31、根据本专利技术的另一方面，提供了一种图像处理装置，包括：
32、图像获取模块，用于获取一组待处理图像；其中，所述一组待处理图像包括至少一个参与方的待处理图像；
33、分类结果获取模块，用于将所述待处理图像输入图像分类模型，得到目标分类结果；
34、其中，所述图像分类模型增设有数据安全处理层，所述数据安全处理层构建有矩阵输入数据缓存模块、矩阵逆运算模块以及矩阵输出数据缓存模块；所述数据安全处理层输出对所述待处理图像进行求逆操作得到目标安全数据，所述目标安全数据通过卷积处理后得到目标分类结果。
35、根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
36、至少一个处理器；以及
37、与所述至少一个处理器通信连接的存储器；其中，
38、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的图像处理方法。
39、根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的图像处理方法。
40、本专利技术实施例的技术方案，通过获取一组待处理图像；其中，所述一组待处理图像包括至少一个参与方的待处理图像；将所述待处理图像输入图像分类模型，得到目标分类结果；其中，所述图像分类模型增设有数据安全处理层，所述数据安全处理层构建有矩阵输入数据缓存模块、矩阵逆运算模块以及矩阵输出数据缓存模块；所述数据安全处理层输出对所述待处理图像进行求逆操作得到目标安全数据，所述目标安全数据通过卷积处理后得到目标分类结果。本技术方案，可以通过数据安全处理层提高了数据的安全性，通过矩阵逆运算模块实现数据快速处理，提高了计算效率。
41、应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述数据安全处理层输出对所述待处理图像进行求逆操作得到目标安全数据，包括：
3.根据权利要求2所述的方法，其特征在于，根据所述第一密钥和所述第二密钥对所述预测分类数据进行同态加密，得到每个参与方的梯度密文，包括：
4.根据权利要求3所述的方法，其特征在于，所述第一密钥包括参与方的公钥和私钥；
5.根据权利要求4所述的方法，其特征在于，根据各参与方的公钥和盲化后的第一梯度密文和第二梯度密文确定各参与方的梯度密文，包括：
6.根据权利要求5所述的方法，其特征在于，根据所述第一密钥对所述梯度密文进行同态解密，得到目标安全数据，包括：
7.根据权利要求1所述的方法，其特征在于，所述图像分类模型包括卷积核；
8.一种图像处理装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处
...【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述数据安全处理层输出对所述待处理图像进行求逆操作得到目标安全数据，包括：
3.根据权利要求2所述的方法，其特征在于，根据所述第一密钥和所述第二密钥对所述预测分类数据进行同态加密，得到每个参与方的梯度密文，包括：
4.根据权利要求3所述的方法，其特征在于，所述第一密钥包括参与方的公钥和私钥；
5.根据权利要求4所述的方法，其特征在于，根据各参与方的公钥和盲化后的第一梯度密文和第二梯度密文确定...
【专利技术属性】
技术研发人员：郭非，郝沁汾，
申请(专利权)人：无锡芯光互连技术研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。