[发明专利]一种基于差分隐私和层级相关性传播的图像分类方法

摘要

本发明公开了一种基于差分隐私和层级相关性传播的图像分类方法，属于数据安全技术领域，其思路为：确定灰度图像数据集D，灰度图像数据集D包括m个灰度图像数据；计算灰度图像数据集D的相关性矩阵R和灰度图像数据集D的噪声平均相关性矩阵设定卷积神经网络包括num_conv个卷积层和num_FC个全连接层，使用θ表示卷积神经网络全部参数，θ＝{θConv,θFC}，θConv表示卷积神经网络num_conv个卷积层的参数，θFC表示卷积神经网络num_FC个全连接层的参数；进而得到卷积神经网络最优参数表示卷积神经网络num_conv个卷积层的最优参数，表示卷积神经网络num_FC个全连接层的最优参数；将卷积神经网络num_conv个卷积层的最优参数和卷积神经网络num_FC个全连接层的最优参数作为一种基于差分隐私和层级相关性传播的图像分类结果。

主权项

1.一种基于差分隐私和层级相关性传播的图像分类方法，其特征在于，包括以下步骤：步骤1，确定灰度图像数据集D，所述灰度图像数据集D包括m个灰度图像数据和m个灰度图像数据对应的分类标签；然后基于层级相关性传播计算得到灰度图像数据集D的相关性矩阵R；步骤2，基于差分隐私以及根据灰度图像数据集D的相关性矩阵R，得到灰度图像数据集D的噪声平均相关性矩阵步骤3，将灰度图像数据集D划分为训练集D₁与测试集D₂，训练集D₁包括个灰度图像数据，测试集D₂包括个灰度图像数据，设定卷积神经网络包括num_conv个卷积层和num_FC个全连接层，使用θ表示卷积神经网络全部参数，θ＝{θConv,θFC}，θConv表示卷积神经网络num_conv个卷积层的参数，θFC表示卷积神经网络num_FC个全连接层的参数；初始化：令loop表示第loop次迭代，loop的初始值设为1，loop的最大值为预设值max_loop；对于第loop次迭代，1≤loop≤max_loop；步骤4，从训练集D₁中确定第loop次迭代后的灰度图像数据集D_loop，进而得到第loop次迭代后的扰动批量数据步骤5，根据第loop次迭代后的扰动批量数据计算得到第loop次迭代后的交叉熵损失函数Loss_loop，进而得到第loop次迭代后的扰动损失函数步骤6，根据第loop次迭代后的扰动损失函数计算得到第loop次迭代后一阶矩偏差修正结果和第loop次迭代后二阶矩偏差修正结果步骤7，如果loop<max_loop，则令loop的值加1，根据第loop‑1次迭代后一阶矩偏差修正结果和第loop‑1次迭代后二阶矩偏差修正结果计算loop次迭代后的卷积神经网络全部参数θ_loop，然后返回步骤4；直到得到第max_loop次迭代后的卷积神经网络全部参数θ_{max_loop}，此时迭代停止，并将迭代停止时得到的第max_loop次迭代后的卷积神经网络全部参数θ_max__loop，作为卷积神经网络最优参数表示卷积神经网络num_conv个卷积层的最优参数，表示卷积神经网络num_FC个全连接层的最优参数；将卷积神经网络num_conv个卷积层的最优参数和卷积神经网络num_FC个全连接层的最优参数作为一种基于差分隐私和层级相关性传播的图像分类结果。