CN119516406A 基于联邦学习的多客户端协同sar图像目标识别方法 （复旦大学）

基于联邦学习的多客户端协同SAR图像目标本发明涉及一种基于联邦学习的多客户端模型进行测试，选用通过测试的全局模型进行2S3：根据所述带标签数据集为每个客户端分配S201：建立半去中心化联邦学习框架，确定参S302：各个客户端均持有一个基于所述带标签数据wft1-wf-nvLZ(wf)4.根据权利要求1所述的一种基于联邦学习S402：服务器根据预定的聚合算法对各个客户端的35.根据权利要求4所述的一种基于联邦学习的多8.根据权利要求1所述的一种基于联邦学习的多客所述主干网络通过一系列卷积层逐步从输入的SAR图像中提取所述分类器将主干网络提取的高层次特征映射到最终的输出类别。4i个真实标签ytest；10.根据权利要求9所述的一种基于联邦学习的多客户端协同SAR图像目标识别方法，5[0003]基于深度学习的SAR目标识别方法是利用深度学习对SAR图像进行特征提取和分[0006]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于联邦学习6wf"为第t+1次迭代时的本地模型参数，wf为第t次迭代时的本地模型参[0027]S402：服务器根据预定的聚合算法对各个客户端的本地7i个真实标签ytest；8[0060]本发明提出了一种基于联邦学习的多客户端协同合成孔径雷达(SAR)图像目标识[0063]本发明的创新性在于首次将联邦学习方法应用于SAR图像目标识别任务，有效解决了SAR数据样本数量不足和数据隐私保护的问题。通过在参与方之间传递模型参数而非[0067]因此，本发明在解决SAR图像目标识别中的数据样本数量不足和数据隐私保护问[0068]图1为本发明实施例中提供的一种基于联邦学习的多客户端协同合成孔径雷达[0069]图2为本发明实施例中提供的MSTAR数据集中车辆光学和SAR数据的示意图，其中[0070]图3为本发明实施例中提供的一种多客户端协同合成孔径雷达(SAR)图像目标识[0072]图5为本发明实施例中提供的在不同数量客户端协同任务下利用联邦学习算法得9[0073]图6为本发明实施例中提供的在不同数量客户端协同任务下利用联邦学习算法得[0078]本实施例提供一种基于联邦学习的多客户端协同SAR图像目标识别方法，用于实现多个卫星机构在不共享SAR数据的前提下共同训练模型，从而实现数据隐私保护并提高[0085]以下结合图1对本实施例的基于联邦学习的多客户端协同合成孔径雷达(SAR)图[0091]步骤S104：划分数据集。在协同多客户端SAR目标识别的实例中，我们使用了据集是一个广泛使用的SAR目标识别数据集，包含了10种军事车辆的SAR图像。图2展示了[0099]图3为多客户端协同合成孔径雷达(SAR)图像目标识别的框架。多客户端SAR目标识别的协同联邦学习框架涉及多个SAR数据客户端，它们在不共享原始数据的前提下协同[0105]图4展示了ClientNet的整体架构。主干网络通过一系列卷积层逐步从输入的SAR户端Ufl通过最小化本地损失函数L:(wf)来更新本地模型参数wi：)为本地数据和对应的标签。更新后的本地模型参数wf发送至服务器Sfl。[0124]步骤S403：更新全局模型参数。服务器Sfl将聚合后的全局模型参数""替换旧的Ufl使用更新后的全局模型参数进行本地训练，并将更新后的本地模型参数上传至服[0132]使用本地数据Di进行训练，通过最小化本地损失函数L:(wf)更新本地模型参数Sfl接收客户端上传的本地模型参数wf,并使gg[0151]图5展示了不同客户端数量在500轮通信中的训练损失变化情况。从图中可以看[0152]2.记录全局模型在各通信轮次中的验证准确率A2d,帮助理解模型准确率在训户端数量为1(集中式训练)时的验证准确率提高最快，而客户端数量为5和10(联邦学习)a",衡量