(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 202211244758.0 (22)申请日 2022.10.12 (71)申请人 深圳大学 地址 518000 广东省深圳市南 山区南海大 道3688号 (72)发明人 章鹏灵　王朔遥　鄢慧斌　 (74)专利代理 机构 深圳尚业知识产权代理事务 所(普通合伙) 44503 专利代理师 王利彬 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) (54)发明名称 联邦行人重识别方法、 系统、 电子装置和存 储介质 (57)摘要 本发明公开了一种联邦行人重识别方法、 系 统、 电子装置和存储介质， 方法包括： 在第k+1轮 训练开始时， 将服务器上的联邦模 型的主干网络 发送至选择的N个客户端； 在每个客户端上将分 类器和主干网络连接起来进行本地训练； 每个客 户端将其更新后的主干网络以及权重发送至服 务器， 并将更新好的分类器保存至本地； 在服务 器上将每个客户端的权重和主干网络进行聚合， 得到更新后的联邦模型； 循环上述步骤进行下一 轮的联邦模型更新， 直至联邦模型收敛， 或达到 预设的训练轮次。 本发明采用特征感知的聚合策 略， 减小了异构分类器的负面影响， 使得模型在 不降低源域性能的同时提升在目标域的性能， 联 合优化源域和目标域的性能， 增加联邦模型的实 用性。 权利要求书4页 说明书12页 附图2页 CN 115311692 A 2022.11.08 CN 115311692 A 1.一种联邦行 人重识别方法， 其特 征在于， 包括： 设定在第 轮训练开始 时， 将服务器上 的联邦模型的主干网络发送至选择的 个 客户端， 每 个客户端均有本地的分类 器； 在每个客户端上将分类器和所述主干网络连接起来进行本地训练， 在本地训练时， 每 个客户端将主干网络和分类器连接组合成一个分类模型， 模型以度量损失项、 交叉熵损失 项、 特征感知近端项为损失函数作为约束进 行训练， 梯度更新； 将 每个客户端将其更新后的 主干网络以及权 重发送至服 务器， 并将更新 好的分类 器保存至 本地； 在服务器上将每个客户端的权重和主干网络进行聚合， 得到更新后的联邦模型， 在所 述聚合时， 在客户端的本地数据集中随机选取一个批量大小的数据输入至本地模型和全局 模型后， 客户端得到本地特征与本轮次未更新的联邦模型特征之 间的余弦相似度均值作为 本地客户端在全局聚合时的权 重； 循环上述步骤进行下一轮的联邦模型的更新， 直至所述联邦模型收敛， 或达到预设的 训练轮次。 2.根据权利要求1所述的联邦行 人重识别方法， 其特 征在于， 所述本地训练时， 目标函数为： 其中， ， 每个客户端包含自己的 标记图像 ， 和对应 的身份标签 ， ； 在进行所述本地训 练时， 每个客户端训练一个局部模型特征提取器主干网络 和一个局部模型分 类器 ， 为近端项， 为特征正则项； 表示分类器输出的向量； 表示从主干网络输出的特征； 是本地客户端的三元组损失值， 是本地模型的交叉熵损失值； 所述全局模型的更新 为： 其中 是第k个传输回合时， 从N个客户端中随机选取上传至服务器进行聚合的客户端 数量， 是第 个客户端聚合时的权 重。 3.根据权利要求2所述的联邦行 人重识别方法， 其特 征在于， 所述联邦行 人重识别方法还 包括： 在本地训练时， 目标函数 所述近端 项表示为：权　利　要　求　书 1/4 页 2 CN 115311692 A 2目标函数 所述特征正则项表示 为： 在第 轮传输回合时， 服务器下发全局骨干网络至本地客户端中开始本地训练， 训 练迭代 次数， 本地客户端连接全局骨干网络 和本地分类器 后， 得到特 征 ， 和分类器输出的分数 ， 损失函数为 。 4.根据权利要求3所述的联邦行 人重识别方法， 其特 征在于， 所述联邦行 人重识别方法还 包括： 在第 轮训练开始时， 使用每个客户端的本地模型特征提取器主干网络 得 到每迭代 次数时生成特征 ， 并使用未在服务器中更新的全局模 型的主干网络 在 迭代 次数时生成的特 征 ； 在每个客户端 上通过在每迭代 次数时平均 和 之间的余弦距离， 计算损失 值 ； 在迭代 次数时， 使用每个客户端 通过对客户端的主干 网络 和服务器端的主干 网络 的之间差值的 求和来计算损失值 ， 是客户端的局部模型各层参数 与全局模型 各层参数之差的范 数； 在第 次迭代中， 将交叉熵损失值 、 三元组损失值 ， ， 相加得到最终的 损失值， 以使当客户端的分类 器保存至 本地时， 目标函数被最小化。 5.根据权利要求 4所述的联邦行 人重识别方法， 其特 征在于， 的计算公式为： 其中， ， 当客户端的分类器保存 至本地时， 目标函 数被最小化， 最小化 公式为： 。 6.根据权利要求1所述的联邦行 人重识别方法， 其特 征在于， 所述在服 务器上聚合每 个客户端发送的主干网络包括： 在第 轮训练开始时， 使用服务器选择客户端 的子集， 并将全局模型分发给所 有客户端， 其中， ； 将客户端 上的本地模型在 轮中使用数据集 训练之前与全局模型同步； 使用客户端 的主干网络随机选择训练数据集 的一个批量 生成特征 ， 并权　利　要　求　书 2/4 页 3 CN 115311692 A 3