买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利基于数据质量评估联邦学习的智慧城市监控图像识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116246218B 。

龙图腾网通过国家知识产权局官网在2025-10-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211437682.3，技术领域涉及：G06V20/52；该发明授权基于数据质量评估联邦学习的智慧城市监控图像识别方法是由马超;于海阳;杨震设计研发完成，并于2022-11-16向国家知识产权局提交的专利申请。

本基于数据质量评估联邦学习的智慧城市监控图像识别方法在说明书摘要公布了：本发明公开了基于数据质量评估联邦学习的智慧城市监控图像识别方法，该方法的步骤如下：城市中央服务器初始化并下发模型至计算中心；计算中心训练模型并将模型上传至中央服务器；中央服务器进行数据质量评估与联邦聚合；中央服务器将聚合后的全局模型下发给计算中心；生成最终的智慧城市监控图像识别模型。本方法将计算中心的数据质量考虑进中央服务器的联邦聚合中，并且设计了基于数据质量的联邦聚合方法，解决基于联邦学习的监控图像识别模型训练无法考虑子模型准确率差异的问题。使用基于数据质量评估联邦学习的智慧城市监控图像识别方法得到的图像识别模型的分类准确率比现有方法更优。

本发明授权基于数据质量评估联邦学习的智慧城市监控图像识别方法在权利要求书中公布了：1.基于数据质量评估联邦学习的智慧城市监控图像识别方法，其特征在于：包括以下步骤： 步骤1：城市中央服务器首先确定一种深度学习模型作为监控图像识别的训练模型，并且随机初始化模型的参数，将其作为联邦全局模型m_0通过网络传输下发给各计算中心； 步骤2：城市某区域的计算中心接收到中央服务器下发的全局模型之后，计算中心利用收集到的监控图像数据在中央服务器下发的全局模型的基础上进行迭代训练，得到新的模型；其中，在第t轮联邦训练中的第i个计算中心收到的是中央服务器前一轮，即第t-1轮联邦训练的全局模型第i个计算中心使用此计算中心从该区域监控设备收集到的图像数据在的基础上进行深度学习训练，得到第i个计算中心在第t轮的子模型然后该计算中心将子模型通过网络传输至城市中央服务器，其中，一轮联邦训练的定义为：城市中央服务器下发全局模型到计算中心，计算中心利用本地数据基于下发的全局模型进行训练，然后将训练后的模型上传到中央服务器，中央服务器将各计算中心上传的模型聚合后再下发到各计算中心； 步骤3在第t轮联邦训练中，城市中央服务器收集各计算中心上传的模型后,i＝1…N,N表示计算中心的数量，获取到模型参数并将作为数据质量评估器的输入，评估其的输出是对每个计算中心上传的模型的参数在本轮联邦聚合的选择概率即表示在第t轮联邦训练聚合时对第i个计算中心的参数的选择概率，中央服务器在对计算中心的模型的参数进行聚合时，将选择概率作为在第t轮联邦聚合的权重对各计算中心上传的模型参数进行加权聚合得到然后将聚合后的参数赋值给模型得到聚合后的新的全局模型在中央服务器端设置了一个标准数据集Dv，作为对全局模型的验证集，Dv的数据样本是监控拍摄的图像集合，中央服务器将第t轮联邦聚合后的全局模型在验证集上进行测试，产生一个在Dv上的图像分类的准确率，同时计算出一个强化信号R作为评估器的输入，评估器会根据强化信号做出决策，使输出的选择概率向使全局模型在验证集上的准确率提高的方向改变，中央服务器在完成第t轮联邦聚合之后，最终产生一个全局模型 中央服务器的验证集Dv的数据样本是一些监控设备拍摄的图像，其中，第i个数据样本的格式为xi,yi，其中xi表示图像样本的像素点矩阵，yi表示该样本的标签，即图像所属的类别，本发明的强化信号定义为最近两轮全局模型在验证集Dv上准确率的差，即第t轮的全局模型在Dv上的准确率减去第t-1轮的全局模型在Dv上的准确率，强化信号的数学计算方式为： 其中，Rt表示第t轮联邦训练的全局模型通过验证集后计算出的强化信号；|Dv|表示验证集Dv的大小，即样本数量；表示第t轮联邦训练得到的全局模型在验证集上Dv的图像识别分类测试准确率；表示对样本xk的测试结果；δ表示前一轮，即第t-1轮，联邦训练的全局模型在验证集Dv上的图像识别分类测试准确率； 在本发明中，中央服务器的联邦聚合过程方法定义为： 其中，N表示联邦参与方的数量；α表示学习率，表示第t轮联邦训练的全局模型的参数； 本发明中的评估器使用了一个四层全连接神经网络，优化器的学习率β＝10-5，评估器的目标与联邦任务一致，都是提高联邦模型图像识别的分类准确率，评估器的参数定义为φ，评估器的参数迭代需要做如下运算：根据log-derivative，随机变量wt的概率分布函数pwt；φ，可以做以下计算： 其中，是在参数φ的作用下对分布函数pwt；φ求导数，wt是第t轮联邦训练中评估器的输出向量，即第t轮训练中对所有计算中心的选择概率的组合，而上面公式中的 最后，评估器的模型参数φ在学习率为β的梯度下降算法下优化为： 步骤4：当第t轮联邦训练结束后，城市中央服务器将聚合后的全局模型下发给所有的计算中心；转到步骤2，进行新的一轮计算中心的模型训练，联邦训练的截至条件是联邦全局模型达到由人预设定的图像识别分类准确率或者预设值的联邦训练的轮次； 步骤5：中央服务器将最后一轮联邦训练生成的全局模型作为整个联邦任务的最终模型mG； 步骤6：中央服务器将最终模型mG下发给各计算中心，计算中心使用该模型进行监控图像的识别。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。