(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111464671.X (22)申请日 2021.12.0 3 (65)同一申请的已公布的文献号 申请公布号 CN 114154645 A (43)申请公布日 2022.03.08 (73)专利权人 中国科学院空间应用工程与技 术 中心 地址 100094 北京市海淀区邓庄南路9号 (72)发明人 李叶　许乐乐　徐金中　郭丽丽　 (74)专利代理 机构 北京轻创知识产权代理有限 公司 11212 专利代理师 厉洋洋 (51)Int.Cl. G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06F 21/62(2013.01) G06V 10/80(2022.01) G06V 10/82(2022.01)(56)对比文件 CN 113408209 A,2021.09.17 CN 111598143 A,2020.08.28 CN 112162959 A,2021.01.01 CN 113516227 A,2021.10.19 CN 111985562 A,2020.1 1.24 CN 113159329 A,2021.07.23 CN 112396106 A,2021.02.23 CN 113723220 A,2021.1 1.30 CN 10849176 3 A,2018.09.04 CN 112949388 A,2021.0 6.11 CN 112292862 A,2021.01.2 9 CN 105205096 A,2015.12.3 0 CN 113191381 A,2021.07.3 0 CN 113706545 A,2021.1 1.26 US 2021166111 A1,2021.0 6.03 US 2020311300 A1,2020.10.01 周传鑫等.联邦学习研究综述. 《网络与信息 安全学报》 .2021,全 文. (续) 审查员 路寒冰 (54)发明名称 跨中心图像联合学习方法、 系统、 存储介质 及电子设备 (57)摘要 本发明涉及图像处理技术领域， 公开了一种 跨中心图像联合学习方法、 系统、 存储介质及电 子设备； 方法包括： 中央节点接收各分布式节点 提供的对应原始图像的标签数据和拓扑知识， 并 通过合成模型产生合成图像； 各分布式节点利用 各自的识别模型判断合成图像与原始图像是否 相同， 并计算模型损失值； 各分布式节点基于各 自的模型损失值更新各自识别模 型的参数； 中央 节点基于所有分布式节点反馈的模型损失值的 总和更新中央节点上合成模型的参数； 每次参数 更新后循环重复上述步骤， 直至各分布式节点上 的识别模型难以区分合成图像和原始图像。 本发明实现了多中心联合学习过程中在保障原始 图 像数据隐私安全的同时减少通信资源的开销。 [转续页] 权利要求书2页 说明书7页 附图3页 CN 114154645 B 2022.05.17 CN 114154645 B (56)对比文件 AKHIL SINGH et al. .Neural Style Transfer: A Critical Review. 《IE EE Access》 .2021,全 文.2/2 页 2[接上页] CN 114154645 B1.一种跨中心图像联合学习方法， 其特 征在于， 包括如下步骤： S1， 中央节点接收各分布式节点提供的对应原始图像的标签数据和拓扑知识， 将所述 标签数据和拓扑知识输入合成模型， 通过合成模型产生 合成图像； 其中， 各分布式节点独立拥有各自的原始图像以及对应的标签数据； 各分布式节点针 对各自的原 始图像利用拓扑 数据分析 方法提取相应的拓扑知识； S2， 各分布式节点接收中央节点反馈的合成图像， 利用各自节点的识别模型判断所述 合成图像与各自节点的原 始图像是否相同， 并计算模型损失值； S3， 各分布式节点基于各自的模型损失值更新各自节点上识别模型的参数； 中央节点 接收所有分布式节点反馈的模型损失值并叠加， 基于总损失值更新中央节点上合成模型的 参数； S4， 每次参数更新后循环重复S1～S3步骤， 直至各分布式节点上的识别模型均判定合 成图像与各自节点的原 始图像相同时， 至此完成跨中心的图像联合学习。 2.根据权利要求1所述的方法， 其特征在于， 还包括预先在中央节点处构建合成模型， 以及在各分布式节点处构建识别模型的步骤。 3.根据权利要求2所述的方法， 其特征在于， 所述合成模型由全卷积网络结构和 Transformer网络结构融合而成； 所述识别模型由全 卷积网络结构和Transformer网络结构 融合而成。 4.根据权利要求1至3任一项所述的方法， 其特征在于， 所述计算模型损失值包括： 利用 拓扑数据分析方法计算合成图像的拓扑特征， 根据所述拓扑特征、 识别模型的输出结果、 原 始图像的标签数据和拓扑知识， 计算模型损失值。 5.一种跨中心图像联合学习 系统， 其特 征在于， 包括中央节点和多个分布式节点； 所述中央节点用于接收各分布式节点提供的对应原始图像的标签数据和拓扑知识， 将 标签数据和拓扑知识输入合成模型， 通过合成模型产生 合成图像； 其中， 各分布式节点独立拥有各自的原始图像以及对应的标签数据； 各分布式节点针 对各自的原 始图像利用拓扑 数据分析 方法提取相应的拓扑知识； 各分布式节点用于接收中央节点反馈的合成图像， 利用各自节点的识别模型判断所述 合成图像与各自节点的原 始图像是否相同， 并计算模型损失值； 各分布式节点还用于基于各自的模型损失值更新各自节点上识别模型的参数； 所述中 央节点还用于接收所有分布式节点反馈的模型损失值并叠加， 基于总损失值更新中央节点 上合成模型的参数； 每次参数更新后中央节点和分布式节点循环重复进行图像合成和图像识别， 直至各分 布式节点上的识别模型均判定合成图像与各自节点的原始图像相同时， 至此完成跨中心的 图像联合学习。 6.根据权利要求5所述的系统， 其特征在于， 所述中央节点处预先构建合成模型， 各分 布式节点处预 先构建识别模型。 7.根据权利要求6所述的系统， 其特征在于， 所述合成模型由全卷积网络结构和 Transformer网络结构融合而成； 所述识别模型由全 卷积网络结构和Transformer网络结构 融合而成。 8.根据权利要求5至7任一项所述的系统， 其特征在于， 各分布式节点计算模型损 失值权　利　要　求　书 1/2 页 2 CN 114154645 B 3