公开(公告)号：CN116543226A

公开(公告)日：2023-08-04

申请号：CN202310569953.9

申请日：2023-05-19

Applicant: 桂林电子科技大学

Inventor： 刘振丙 ,  吴峰峰 ,  宋明望 ,  魏黄曌

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/94 ,  G06N3/092 ,  G06N3/096 ,  G06N3/098 ,  G06N3/0464

Abstract: 本发明公开了一种基于联邦学习和迁移学习的医学图像分类方法，在联邦学习中，由于数据异构性，中央服务器分发的全局模型直接替换本地模型会消除本地模型学习到的知识，并在下一轮迭代中降低其优化效果。本发明拟在本地训练阶段引入增强迁移学习的方法，其在本地模型中更新的步骤主要如下：首先，本方法将本地模型视为源域，全局模型视为目标域，目的是为了让全局模型学习到本地模型的局部知识，避免引起全局模型的性能倒退问题；其次，本方法会让全局模型和本地模型进行相互学习，交换全局知识和本地知识；最后，本方法将全局模型视为源域，本地模型视为目标域，使得全局知识能够最大程度地转移到本地模型中。

公开(公告)号：CN116563625A

公开(公告)日：2023-08-08

申请号：CN202310505919.5

申请日：2023-05-06

Applicant: 桂林电子科技大学

Inventor： 刘振丙 ,  吴峰峰 ,  路皓翔 ,  王文颢 ,  范涛 ,  李威醒

IPC: G06V10/764 ,  G06V10/774 ,  G06T7/00 ,  G06N20/20 ,  G06N3/0895

Abstract: 本发明公开了一种基于联邦学习和对比学习的医学图像分类方法，在联邦学习的训练中，将当前训练轮次的本地模型和上一轮次的全局模型与本地模型结合起来进行训练，减少本轮模型与上一轮全局模型特征表示之间的距离，增加本轮模型与上一轮本地模型特征表示之间的距离，运用模型之间的监督对比损失，让客户端的本地模型在训练过程中逐渐靠近全局模型。这种方法能有效地减轻数据异构性所带来的性能下降问题，增加模型的泛化能力。