龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
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！
摘要：本发明涉及深度学习隐私保护技术领域，具体涉及一种人脸识别的混合扰动差分隐私保护方法，包括抓取人脸数据；对所述人脸数据进行预处理，得到最小检测框；对所述最小检测框进行人脸重定位，得到训练数据；基于所述训练数据构建混合扰动差分隐私模型；改变三元组损失函数，使得所述混合扰动差分隐私模型通过所述训练数据训练后，得到混合扰动的神经元结点权重。所述混合扰动差分隐私模型将神经网络权重分割为网络权重和噪声权重，使得网络权重能够尽力去为神经网络提供学习能力，而噪声权重利用目标扰动又尽力去为网络权重提供隐私保护，解决了现有的隐私保护方法的深度神经网络的可用性较差的问题。
主权项：1.一种人脸识别的混合扰动差分隐私保护方法，其特征在于，包括以下步骤：抓取人脸数据；对所述人脸数据进行预处理，得到最小检测框；对所述最小检测框进行人脸重定位，得到训练数据；构建混合扰动差分隐私模型；改变三元组损失函数，使得所述混合扰动差分隐私模型通过所述训练数据训练后，得到混合扰动的神经元结点权重；所述混合扰动差分隐私模型包括FaceNet框架结构，所述FaceNet框架结构包括黑盒深度学习模型、L2正则化模块和三元组损失函数，所述黑盒深度学习模型为Inception-ResNet-v2；所述改变三元组损失函数，使得所述混合扰动差分隐私模型通过所述训练数据训练后，得到混合扰动的神经元结点权重的具体方式为：基于贝叶斯神经网络改变所述三元组损失函数，使得所述混合扰动差分隐私模型通过所述训练数据训练后，得到混合扰动的神经元结点权重；所述混合扰动差分隐私模型训练的具体方式为：设置所述隐私混合扰动差分隐私模型的模型参数；模型参数设置后的所述混合扰动差分隐私模型对所述训练数据进行抽样，得到抽取样本；基于所述抽取样本计算所述隐私混合扰动差分隐私模型的当前网络权重值和当前噪声权重值；基于所述当前网络权重值和所述当前噪声权重值，得到神经网络权重；将所述神经网络权重与所述Inception-ResNet-v2的输出进行矩阵相乘，得到特征向量；提取所述特征向量构建三元组损失函数，并对所述三元组损失函数进行目标扰动，然后开始训练所述FaceNet框架结构。
全文数据：
权利要求：
百度查询： 桂林理工大学 一种人脸识别的混合扰动差分隐私保护方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号