一种基于隐私保护拆分学习的门牌识别方法及装置

本发明公开了一种基于隐私保护拆分学习的门牌识别方法及装置，客户端将本地模型的输出二值化为+1和‑1，有效降低了客户端模型的可逆性。此外，本发明引入了距离相关度损失函数，通过减少中间表示与输入的门牌图像数据之间的关联性，进一步降低隐私泄露的风险。为克服二值化对模型性能的负面影响，本发明通过直通估计器以缓解二值化引起的梯度消失问题，并通过批归一化层提高中间表示的特征表达能力。本发明保护了拆分学习框架下客户端模型的中间表示，有效解决了客户端门牌图像数据泄露问题，并成功防御了针对本地门牌图像数据的黑盒攻击和白盒攻击。同时，本发明采用了U型神经网络架构，防止了客户端门牌图像标签的隐私泄露。