买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉香港中文大学(深圳);深圳市大数据研究院申请的专利一种基于批标准化层参数修正联邦学习的图像分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115953626B 。

龙图腾网通过国家知识产权局官网在2025-07-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211632746.5，技术领域涉及：G06V10/764；该发明授权一种基于批标准化层参数修正联邦学习的图像分类方法是由王烟濛;张纵辉;史清江设计研发完成，并于2022-12-19向国家知识产权局提交的专利申请。

本一种基于批标准化层参数修正联邦学习的图像分类方法在说明书摘要公布了：本发明公开了一种基于批标准化层参数修正联邦学习的图像分类方法,包括以下步骤：S1.构建联邦学习场景，包括1个云服务器和N个分布于不同位置的客户端；S2.各个客户端持续采集图像样本，并在每个客户端形成本地数据库；S3.云服务器构建一个用于图像分类的包含BN层的DNN模型；S4.初始化本地模型参数，每个客户端利用本地数据库进行本地模型的更新，然后将更新结果上传到服务器，由服务器进行全局模型的更新；S5.对全局模型进行R轮迭代训练，得到最终的DNN模型并分发给每一个客户端，客户端根据得到的DNN模型对待识别的图像进行分类。本发明通过修正本地模型训练时的批均值与批方差、以及批均值与批方差的梯度，降低本地模型的训练偏差，提高图像分类的准确性。

本发明授权一种基于批标准化层参数修正联邦学习的图像分类方法在权利要求书中公布了：1.一种基于批标准化层参数修正联邦学习的图像分类方法，其特征在于：包括以下步骤： S1.构建联邦学习场景，包括1个云服务器和N个分布于不同位置的客户端，所述云服务器通过网络分别与每一个客户端连接； S2.各个客户端持续采集图像样本，将采集到的图像样本表示为RGB矩阵，并利用图像类别作为标签对RGB矩阵进行标记，在每个客户端形成本地数据库； S3.云服务器构建一个用于图像分类的包含BN层的DNN模型，初始化DNN模型的参数，并设定联邦学习参数； 所述步骤S3中，设定的联邦学习参数包括：总体迭代轮数R，客户端在每一轮的本地模型更新次数E，用户i的权重pi，i＝1，…，N； 初始化DNN模型参数为其中，为梯度参数，即DNN模型中直接通过梯度进行更新的参数，为统计参数，即BN层中的批均值与批方差参数； S4.在任一轮迭代过程中，首先初始化本地模型参数，然后每个客户端利用本地数据库进行本地模型的更新，然后将更新结果上传到服务器，由服务器进行全局模型的更新； 所述步骤S4包括以下子步骤： S401.设在第1轮迭代中，云服务器将初始化的DNN模型参数发送给各个客户端；接着，在第r，r＝2，…，M轮迭代中，云服务器将上一轮迭代后更新的全局DNN模型参数发送给各个客户端，其中，为梯度参数，为统计参数； S402.每个客户端i，i＝1，…，N将本地DNN模型的参数初始化为即 S403.每个客户端进行E次本地模型更新； 所述步骤S403包括： A1、在第1次本地更新时，每个客户端i，逐层对BN层的批均值与批方差进行修正，得到临时统计参数 A2、每个客户端i，i＝1，…，N逐层地对BN层的批均值梯度与批方差梯度进行修正，计算梯度参数的梯度 A3、每个客户端i，i＝1，…，N更新本地统计参数为其中，ρ为衰减系数，同时更新本地梯度参数为 A4、在完成第1次本地更新后，每个客户端i，i＝1，…，N接着利用梯度下降方法进行E-1次本地DNN模型更新； A5、进行全局模型的更新： 每个客户端i，i＝1，…，N，将更新后的本地DNN模型发送至云服务器；云服务器对所有客户端的本地DNN模型做均值，更新全局DNN模型为其中， S5.重复执行步骤S4，对全局模型进行R轮迭代训练，得到最终的DNN模型并分发给每一个客户端，客户端根据得到的DNN模型对待识别的图像进行分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人香港中文大学(深圳);深圳市大数据研究院，其通讯地址为：518100 广东省深圳市龙岗区龙城街道龙翔大道2001号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。