[发明专利]一种同态加密下神经网络构建方法、图像处理方法和系统

权利要求书

1.一种同态加密下神经网络构建方法，其特征在于，包括：

获取预先训练的卷积神经网络模型输出所述卷积神经网络模型的网络参数；

根据所述网络参数，在同态加密下对所述卷积神经网络模型进行转换，得到可识别多类型数据的卷积神经网络；

其中，所述卷积神经网络模型是由用户层多个图像数据及其对应的分类结果训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述根据所述网络参数，在同态加密下对所述卷积神经网络模型进行转换，得到可识别多类型数据的卷积神经网络，包括：

根据所述卷积神经网络模型中的图像数据，对所述卷积神经网络模型的输入层进行转换；

根据所述卷积神经网络模型中的网络参数，对所述卷积神经网络模型的卷积层进行转换；

根据所述卷积神经网络模型中的网络参数，对所述卷积神经网络模型的池化连接输出层的激活函数进行转换；

在同态加密下根据所述输入层、所述卷积层和所述池化连接输出层的激活函数的转换的结果，得到可识别多类型数据的卷积神经网络。

3.根据权利要求2所述的方法，其特征在于，

所述输入层转换计算式如下：

其中，x为图像数据信息的输入，sign(x)为输入层转换后的图像数据信息。

4.根据权利要求2所述的方法，其特征在于，

所述卷积层转换计算式如下：

其中，τ为精度参数，ω为卷积神经网络模型中的网络参数，processWeight(ω,τ)为卷积层转换后的网络参数和精度参数，为对进行向上取整。

5.根据权利要求2所述的方法，其特征在于，所述根据所述卷积神经网络模型中的网络参数，对所述卷积神经网络模型的池化连接输出层的激活函数进行转换，包括：

根据所述卷积神经网络模型中的网络参数，对所述卷积神经网络模型的池化连接输出层的激活函数采用泰勒级数进行展开，得到池化连接输出层转换后的激活函数。

6.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型的训练，包括：

将用户层的多个图像数据作为输入函数，将图像数据对应的分类结果作为输出函数；

对所述输入函数和所述输出函数进行训练，得到所述卷积神经网络模型；

所述卷积神经网络模型包括输入层、卷积层和池化连接输出层。

7.一种图像数据处理方法，其特征在于，包括：

获取待处理图像数据；

利用可识别多类型数据的卷积神经网络对所述待处理图像数据进行处理，得到待处理图像数据的分类结果；

其中，所述可识别多类型数据的卷积神经网络采用如权利要求1-6任一所述的方法预先构建而成。

8.根据权利要求7所述的方法，其特征在于，所述利用可识别多类型数据的卷积神经网络，对所述待处理图像数据进行处理，得到待处理图像数据的分类结果，包括：

将待处理图像数据通过可识别多类型数据的卷积神经网络中的输入层输入至卷积神经网络中，通过可识别多类型数据的卷积神经网络中的卷积层对所述待处理图像数据进行卷积处理后，通过可识别多类型数据的卷积神经网络中池化连接输出层输出待处理图像数据的分类结果。

9.根据权利要求7所述的方法，其特征在于，所述利用可识别多类型数据的卷积神经网络，对所述待处理图像数据进行处理之后，还包括：

验证所述可识别多类型数据的卷积神经网络得到基于原始数据和同态加密的数据的准确率。

10.一种图像数据处理系统，其特征在于，包括：获取模块和处理模块；

所述获取模块，用于获取待处理图像数据；

所述处理模块，用于利用可识别多类型数据的卷积神经网络对所述待处理图像数据进行处理，得到待处理图像数据的分类结果；

其中，所述可识别多类型数据的卷积神经网络采用如权利要求1-6任一所述的方法预先构建而成。