[发明专利]图像处理模型训练方法、系统、计算机设备及存储介质

说明书

本发明涉及人工智能技术领域，揭露了一种图像处理模型训练方法、系统、计算机设备及存储介质，该方法通过基于服务模型参数构建初始本地模型；采用孪生网络模型对样本图像进行特征提取得到第一损失值；孪生网络模型基于初始本地模型构建；获取全局图像特征，通过初始本地模型对样本图像进行特征提取得到本地图像特征；根据全局图像特征以及本地图像特征确定第二损失值；根据第一损失值以及第二损失值对初始本地模型进行更新，得到更新本地模型；更新本地模型关联更新模型参数；将更新模型参数发送至服务器中，以令服务器根据更新模型参数对服务全局模型进行更新，得到图像处理模型。本发明提高了图像处理模型训练效率以及准确率。

技术领域

本发明涉及检测模型技术领域，尤其涉及一种图像处理模型训练方法、系统、计算机设备及存储介质。

背景技术

随着大数据时代的来临，数据处理技术发展也越来越迅速，例如推荐系统、语音助手等广泛应用，但是随着时间的推移，往往需要根据各个不同客户端上的反馈数据对应用进行调整更新应用，以满足不同客户的需求。

现有技术中，一般是通过联邦学习的方式根据不同客户端的模型参数训练得到一个统一的联邦学习模型。但是联邦学习的方式存在如下不足：由于不同客户端数据的分布不一致，可能导致联邦学习模型的性能较低；并且每一客户端为了保护数据的隐私安全，不会将数据进行公开，往往会出现数据不全的问题，从而降低联邦学习模型的性能。

发明内容

本发明实施例提供一种图像处理模型训练方法、系统、计算机设备及存储介质，以解决由于不同的客户端数据的分布不一致，导致联邦学习模型的性能较低的问题。

一种图像处理模型训练方法，应用于图像处理模型训练系统的系统客户端中，所述图像处理模型训练系统还包括服务器；所述图像处理模型训练方法，包括：

在接收到所述服务器发送的包含服务模型参数的联邦学习指令时，基于所述服务模型参数构建初始本地模型；

采用孪生网络模型对样本图像进行特征提取，得到与所述初始本地模型对应的第一损失值；所述孪生网络模型基于所述初始本地模型构建；

通过所述服务全局模型对所述样本图像进行特征提取得到全局图像特征，通过所述初始本地模型对所述样本图像进行特征提取得到本地图像特征；

根据所述全局图像特征以及所述本地图像特征，确定与所述初始本地模型对应的第二损失值；

根据所述第一损失值以及所述第二损失值对所述初始本地模型进行更新，得到更新本地模型；所述更新本地模型关联更新模型参数；

将所述更新模型参数发送至所述服务器中，以令所述服务器根据所述更新模型参数对所述服务全局模型进行更新，得到图像处理模型。

一种图像处理模型训练方法，应用于图像处理模型训练系统的服务器中，所述图像处理模型训练系统还包括至少一个系统客户端；所述图像处理模型训练方法包括：

获取预设联邦比例，根据所述预设联邦比例自所有所述系统客户端中选择目标客户端；

对服务全局模型的模型参数进行初始化处理，得到服务模型参数，并将包含所述服务模型参数的联邦学习指令发送至所有所述目标客户端中，以令所述目标客户端基于所述服务模型参数构建初始本地模型；

接收目标客户端发送的更新模型参数；所述更新模型参数是目标客户端根据第一损失值以及第二损失值对初始本地模型进行更新得到；所述第一损失值是目标客户端采用基于初始本地模型构建的孪生网络模型对样本图像进行特征提取得到；所述第二损失值是根据全局图像特征以及本地图像特征确定；所述全局图像特征是服务全局模型对样本图像进行特征提取得到；所述本地图像特征通过初始本地模型对样本图像进行特征提取得到；

根据所有所述目标客户端发送的所述更新模型参数对所述服务全局模型进行更新，得到图像处理模型。