基于联邦学习的火灾图像检测算法

摘要

针对火灾图像检测背景下传统机器学习缺乏数据集,模型泛化性弱的问题,提出一种基于联邦学习的火灾图像检测算法.通过联邦学习收集分散的边缘火灾图像数据,解决数据集单一问题,通过多方协同训练综合模型,提升模型的收敛效率与泛化性.为了降低联邦学习中的加密开销,使用基于中国剩余定理门限秘密共享安全方案替代同态加密方案.实验结果表示,与中心化学习相比,前5轮收敛速率提升至少一倍,在30轮全局迭代后,准确率可以达到90.21%,正确率达到88.72%,误报率低至3.41%.实验所用加密方案所需时间开销约为训练总时间1%,远低于使用同态加密的联邦学习方案.