本技術(shù)涉及聯(lián)邦學習，尤其涉及一種個性化聯(lián)邦邊緣學習方法、裝置、存儲介質(zhì)及計算機設(shè)備。

背景技術(shù)：

1、在公共安全領(lǐng)域，異常人群行為檢測（acbd）扮演著至關(guān)重要的角色，它的目標是從監(jiān)控視頻中識別出異常行為，如可疑活動或潛在的安全威脅。基于此，隨著城市化進程的加快和公共安全需求的增長，acbd技術(shù)在保障社會穩(wěn)定和預防犯罪方面發(fā)揮著越來越重要的作用。

2、然而，在實際的監(jiān)控場景中，由于人群的多樣性和場景的復雜性，傳統(tǒng)的acbd方法面臨著數(shù)據(jù)異構(gòu)性和個性化需求的挑戰(zhàn)。這些方法不僅需要大量的標記數(shù)據(jù)進行訓練，還缺乏對特定人群場景的個性化學習模型設(shè)計，導致其難以滿足不同監(jiān)控場景下的個性化檢測需求，適應性較差，進而使得檢測準確性受限，檢測效果不理想。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的旨在至少能解決上述的技術(shù)缺陷之一，特別是現(xiàn)有技術(shù)中異常人群行為檢測方法難以滿足不同監(jiān)控場景下的個性化檢測需求，適應性較差，進而使得檢測準確性受限，檢測效果不理想的技術(shù)缺陷。

2、本技術(shù)提供了一種個性化聯(lián)邦邊緣學習方法，所述方法包括：

3、通過監(jiān)控終端采集視頻數(shù)據(jù)，并利用客戶端設(shè)備基于所述視頻數(shù)據(jù)對預設(shè)的初始模型進行模型優(yōu)化，生成本地模型；

4、利用邊緣服務器基于聚合閾值獲取到多個客戶端設(shè)備輸出的本地模型，并采用異步跨設(shè)備模型聚合策略對各個本地模型進行聚合，生成邊緣模型；

5、利用云服務器定期采用異步模型聚合策略對多個邊緣服務器輸出的邊緣模型進行全局聚合，生成全局模型；

6、將所述全局模型作為最新的初始模型分發(fā)回各個邊緣服務器和各個客戶端設(shè)備中，并返回通過監(jiān)控終端采集視頻數(shù)據(jù)及其后續(xù)步驟，直至所述全局模型滿足預設(shè)迭代結(jié)束條件。

7、可選地，所述利用客戶端設(shè)備基于所述視頻數(shù)據(jù)對預設(shè)的初始模型進行模型訓練和優(yōu)化，生成本地模型，包括：

8、利用客戶端設(shè)備對預設(shè)的初始模型進行網(wǎng)絡(luò)分解，得到通用特征提取子網(wǎng)絡(luò)和個性化標簽映射子網(wǎng)絡(luò)；

9、通過所述通用特征提取子網(wǎng)絡(luò)對所述視頻數(shù)據(jù)進行異常特征檢測，并根據(jù)檢測結(jié)果提取得到多個行為特征；

10、通過所述個性化標簽映射子網(wǎng)絡(luò)對各個行為特征進行標簽映射，得到每一行為特征對應的行為標簽；

11、基于各個行為特征以及每一行為特征對應的行為標簽對所述初始模型進行模型優(yōu)化，得到本地模型。

12、可選地，所述基于各個行為特征以及每一行為特征對應的行為標簽對所述初始模型進行模型優(yōu)化，得到本地模型，包括：

13、將各個行為特征以及每一行為特征對應的行為標簽輸入至所述初始模型中，得到所述初始模型基于每一行為標簽輸出的預測標簽；

14、利用損失函數(shù)對各個預測標簽進行反向傳播，得到所述初始模型的梯度結(jié)果；

15、采用隨機梯度下降方法和超參數(shù)控制方法，基于所述梯度結(jié)果分別對所述通用特征提取子網(wǎng)絡(luò)和所述個性化標簽映射子網(wǎng)絡(luò)進行網(wǎng)絡(luò)參數(shù)更新。

16、可選地，所述反向傳播的計算公式，包括：

17、

18、式中，表示利用損失函數(shù)計算得到的梯度結(jié)果；其中，表示梯度，表示第i個客戶端設(shè)備中所述通用特征提取子網(wǎng)絡(luò)在第t-1輪更新迭代中的網(wǎng)絡(luò)參數(shù)；表示第i個客戶端設(shè)備中所述個性化標簽映射子網(wǎng)絡(luò)在第t-1輪更新迭代中的網(wǎng)絡(luò)參數(shù)；表示損失函數(shù)對和的偏導數(shù)。

19、可選地，所述隨機梯度下降方法的計算公式，包括：

20、

21、

22、式中，表示第i個客戶端設(shè)備中所述通用特征提取子網(wǎng)絡(luò)在第t輪更新迭代中的網(wǎng)絡(luò)參數(shù)；表示學習率；表示所述通用特征提取子網(wǎng)絡(luò)的梯度；表示從損失函數(shù)計算得到的梯度結(jié)果；表示第i個客戶端設(shè)備中所述個性化標簽映射子網(wǎng)絡(luò)在第t輪更新迭代中的網(wǎng)絡(luò)參數(shù)；表示所述通用特征提取子網(wǎng)絡(luò)的梯度。

23、可選地，所述超參數(shù)控制方法的計算公式，包括：

24、

25、式中，表示參數(shù)向量的范數(shù)；表示正則項化，用于控制所述個性化標簽映射子網(wǎng)絡(luò)個性化調(diào)整的強度。

26、可選地，所述異步跨設(shè)備模型聚合策略的計算公式，包括：

27、

28、

29、式中，和表示邊緣模型中所述通用特征提取子網(wǎng)絡(luò)和所述個性化標簽映射子網(wǎng)絡(luò)在第t+1輪更新迭代中的網(wǎng)絡(luò)參數(shù)；和表示第i個客戶端設(shè)備中所述通用特征提取子網(wǎng)絡(luò)和所述個性化標簽映射子網(wǎng)絡(luò)在第t輪更新迭代中的網(wǎng)絡(luò)參數(shù)；j表示第j個客戶端設(shè)備;表示參與當前聚合的客戶端設(shè)備的集合，表示參數(shù)的數(shù)量。

30、可選地，所述異步模型聚合策略的計算公式，包括：

31、

32、

33、式中，和分別表示全局模型中所述通用特征提取子網(wǎng)絡(luò)和所述個性化標簽映射子網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)；表示所有參與聚合的邊緣服務器的集合，i和j分別表示所有參與聚合的邊緣服務器的集合中第i個和第j個邊緣服務器。

34、本技術(shù)還提供了一種個性化聯(lián)邦邊緣學習裝置，包括：

35、模型優(yōu)化模塊，用于通過監(jiān)控終端采集視頻數(shù)據(jù)，并利用客戶端設(shè)備基于所述視頻數(shù)據(jù)對預設(shè)的初始模型進行模型優(yōu)化，生成本地模型；

36、一次聚合模塊，用于利用邊緣服務器基于聚合閾值獲取到多個客戶端設(shè)備輸出的本地模型，并采用異步跨設(shè)備模型聚合策略對各個本地模型進行聚合，生成邊緣模型；

37、二次聚合模塊，用于利用云服務器定期采用異步模型聚合策略對多個邊緣服務器輸出的邊緣模型進行全局聚合，生成全局模型；

38、模型迭代模塊，用于將所述全局模型作為最新的初始模型分發(fā)回各個邊緣服務器和各個客戶端設(shè)備中，并返回通過監(jiān)控終端采集視頻數(shù)據(jù)及其后續(xù)步驟，直至所述全局模型滿足預設(shè)迭代結(jié)束條件。

39、本技術(shù)還提供了一種存儲介質(zhì)，所述存儲介質(zhì)中存儲有計算機可讀指令，所述計算機可讀指令被一個或多個處理器執(zhí)行時，使得一個或多個處理器執(zhí)行如上述實施例中任一項所述個性化聯(lián)邦邊緣學習方法的步驟。

40、本技術(shù)還提供了一種計算機設(shè)備，包括：一個或多個處理器，以及存儲器；

41、所述存儲器中存儲有計算機可讀指令，所述計算機可讀指令被所述一個或多個處理器執(zhí)行時，執(zhí)行如上述實施例中任一項所述個性化聯(lián)邦邊緣學習方法的步驟。

42、從以上技術(shù)方案可以看出，本技術(shù)實施例具有以下優(yōu)點：

43、本技術(shù)提供的個性化聯(lián)邦邊緣學習方法、裝置、存儲介質(zhì)及計算機設(shè)備，在異常人群行為檢測時，可以通過監(jiān)控終端采集視頻數(shù)據(jù)，并利用客戶端設(shè)備基于視頻數(shù)據(jù)對預設(shè)的初始模型進行模型優(yōu)化，生成本地模型，使得模型能夠適應不同的監(jiān)控場景，提高檢測的準確性和適應性，然后可以利用邊緣服務器基于聚合閾值獲取到多個客戶端設(shè)備輸出的本地模型，并采用異步跨設(shè)備模型聚合策略對各個本地模型進行聚合，生成邊緣模型，以減少因設(shè)備問題導致的聚合延遲，提高邊緣模型聚合的效率和靈活性，接著還可以利用云服務器定期采用異步模型聚合策略對多個邊緣服務器輸出的邊緣模型進行全局聚合，生成全局模型，使得模型能夠?qū)W習到更廣泛的人群行為模式和特征，實現(xiàn)全局性能的提升；最后可以將全局模型作為最新的初始模型分發(fā)回各個邊緣服務器和各個客戶端設(shè)備中，并返回通過監(jiān)控終端采集視頻數(shù)據(jù)及其后續(xù)步驟，直至全局模型滿足預設(shè)迭代結(jié)束條件，以此確保整個系統(tǒng)能夠持續(xù)學習和適應新的數(shù)據(jù)和變化，同時保持模型的實時性和效率。此外，通過本技術(shù)的方法還可以減少對中心服務器的依賴，降低數(shù)據(jù)傳輸?shù)拈_銷，進而增強整個監(jiān)控系統(tǒng)的可擴展性和魯棒性。