(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210492162.6 (22)申请日 2022.05.07 (71)申请人 广东石油化工学院 地址 525000 广东省茂名市茂南区官渡二 路139号 (72)发明人 文成林　 (74)专利代理 机构 北京圣州专利代理事务所 (普通合伙) 11818 专利代理师 王宇航 (51)Int.Cl. G06N 20/00(2019.01) G06V 10/774(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 21/60(2013.01)G06F 21/62(2013.01) (54)发明名称 一种基于横向联邦学习框架的目标检测方 法 (57)摘要 本发明公开了一种基于横向联邦学习框架 的目标检测方法， 包括构建横向联邦学习框架， 框架包括客户端检测模型、 中心服务网络和数据 集； 为每个客户端检测模型分配独立的数据集， 并通过该数据集对模型进行训练； 对客户端检测 模型训练过程中使用的梯度下降算法进行优化， 加快模型的收敛速度； 提取出已训练模型的参 数， 并通过差分隐私策略将这些参数传输到中心 服务网络； 对中心服务网络进行训练， 并得到参 数聚合后的模型参数返回给各个客户端检测模 型， 客户端检测模型再根据返回的参数更新模 型； 使用更新后的模型进行检测。 本发明采用基 于横向联邦学习框架的目标检测方法， 能够解决 现有目标检测方法准确率和效率低， 数据的私密 性得不到保护的问题。 权利要求书2页 说明书7页 附图3页 CN 114925848 A 2022.08.19 CN 114925848 A 1.一种基于横向联邦学习框架的目标检测方法， 其特 征在于， 包括以下步骤： S1、 构建横向联邦学习框架， 框架包括 客户端检测模型、 中心服 务网络和数据集； S2、 为每个客户端检测模型分配 独立的同源数据集， 并通过 该数据集对 模型进行训练； S3、 对客户端检测模型训练过程中使用梯度下降算法进行优化， 加快模型的收敛速度； S4、 提取出已训练的客户端检测模型的参数， 并通过差分隐私策略将这些参数传输到 中心服务网络； S5、 对中心服务网络进行训练， 并得到参数聚合后的客户端检测模型参数返回给各个 客户端检测模型， 客户端检测模型再根据返回的参数更新客户端检测模型， 使用更新后的 客户端检测模型进行检测。 2.根据权利要求1所述的基于横向联邦学习框架的目标检测方法， 其特征在于： 所述步 骤S1中， 选择Faster  R‑CNN作为基础的客户端检测模型， 并将FPN网络嵌入到模型中， 用于 生成不同尺度的特 征图。 3.根据权利要求1所述的基于横向联邦学习框架的目标检测方法， 其特征在于： 所述步 骤S3中， 在训练过程中使用Adam算法进行优化， Adam算法利用参数的历史梯度均值mt和参 数历史梯度平方和均值vt实现自适应调整学习率， 并保持每时刻都能学习到信息； 两个均 值的计算公式如下： mt＝β1mt‑1+(1‑β1)gt vt＝β2vt‑1+(1‑β2)gt2 其中， β1、 β2表示衰减因子， gt为t时刻 θt的梯度值； 取β1＝0.9， β2＝0.999， ε＝10‑8对上式进行修 正； 其中， α 为学习率。 4.根据权利要求1所述的基于横向联邦学习框架的目标检测方法， 其特征在于： 所述步 骤S4中， 通过差分隐私策略对 数据进行同态加密， 防止梯度信息泄漏， 用[[x]]表示对x进 行 加密操作， 同态加密公式如下： 其中， u和v代表明文空间中的任意两个元素， 其加密 结果为[[u]]和 [[v]]， 则代表加 法或乘法操作， Decsk代表解密操作。 5.根据权利要求1所述的基于横向联邦学习框架的目标检测方法， 其特征在于： 所述步 骤S5中， 基于平均影响度算法实现参数聚合， 根据每个客户端检测模型的影响度为其分配 权重； 数据集数量 为m， 客户端检测模型个数为 n， 影响因素矩阵X与输出Y分别表示 为：权　利　要　求　书 1/2 页 2 CN 114925848 A 2Y＝[y1 y2…ym]T 首先， 对第i个 影响因素进行微调 δ， 两组新的输入和输出分别表示 为 和Yi±。 其次， 计算 客户端的MIV值， 该值代 表了当前客户端的相对影响程度， 计算公式如下： 最后， 计算每 个客户端检测模型对应的贡献度Ci和平均影响值C， 权　利　要　求　书 2/2 页 3 CN 114925848 A 3