一种面向类别不平衡数据的联邦课程学习图像分类方法

本发明提出一种面向类别不平衡数据的联邦课程学习图像分类方法，属于图像识别技术领域，解决现有技术中在联邦学习框架下，针对类别不平衡图像分类问题时，模型难以有效识别少数类数据、分类精度不高以及缺乏对训练样本难易程度和类别层面平衡的细致考虑的问题，包括：服务端初始化全局原型，客户端初始化本地模型参数；服务端将全局原型下发给客户端；客户端根据其本地数据集，利用双层课程加权策略对本地数据进行重排；每个客户端使用重排后的本地数据，根据接收到的全局原型进行本地模型训练；客户端将更新后的本地原型上传至服务器；服务器聚合接收到的本地原型，为每个类别生成新的全局原型；重复上述步骤，进行迭代训练。