摘要
由于鱼类数据的多样性以及应用的广泛性,为了进一步提高鱼类检测的效率,以及在处理鱼类图片时提取到更高维的特征来提高鱼类检测的准确率,将卷积神经网络与联邦学习相结合,将鱼类图片数据按照非独立同分布的形式分发给用户.用户在本地训练模型,并将训练好的模型参数上传到云端,云端将完成模型参数的聚合与更新,并将更新好的参数返回到用户的终端,各个用户开始下一轮训练.以此过程来训练网络,并模拟联邦学习的过程.最后,用联邦卷积神经网络、联邦学习以及卷积神经网络分别对野生鱼类数据集上鱼类图片进行图像检测与识别,并将结果做对比.结果表明,联邦卷积神经网络模型最终的分类准确率为33.3%,传统的联邦学习的准确率为26.67%,Resnet50 的准确率为87.97%,可以看出联邦卷积神经网络的分类准确率远高于传统的联邦学习.并且联邦卷积神经网络模型在训练轮数较少的情况下就可以得到较好的实验结果.联邦学习作为分布式计算的重要组成部分,它提供的快速模糊化处理以及数据独立的特性,为鱼类分类的效率和数据保护提供了有力保障.卷积神经网络也提高了联邦学习的学习效率.这使得提出的联邦卷积神经网络分类系统相比于传统的联邦学习在分类效率以及分类准确率方面有了较大程度的提高.
维普
万方数据