基于联邦学习的图像安全检索：模型大小与上传消耗分析

本文介绍了一种基于联邦学习的图像安全检索方案，并重点分析了模型大小和上传消耗的影响因素。

由于上传和更新消耗与网络环境密切相关，我们这里只给出模型的大小。本方案采用预先训练的VGG11模型，并根据数据集大小将神经元数量分别设置为10和100。此外，完全连接层中的参数使用正态分布重新生成。

CNN训练设置如下：

训练图像首先会被调整为256×256大小，然后随机裁剪为224×224大小。均值和标准差归一化参数固定为(0.4914; 0.4822; 0.44665)和(0.2023; 0.1994; 0.2010)。

为了更好地展示实际消耗，我们采用以下联邦学习设置：

两个数据集的详细时间消耗（单轮）如表2所示。需要注意的是，由于联邦学习同步的消耗，实际训练时间会受到网络环境的影响，可能略高于表2中显示的时间。

为了实现安全检索，需要将图像内容（即RGB值）上传到服务器。图2展示了原始图像、共享图像和解密图像的示例。

此外，需要将图像转换为带有合理归一化的张量（与联邦学习中相同），以便利用CNN模型提取特征。由于转换过程通常涉及除法运算，因此最好由图像所有者来执行此操作。

在这一步中，图像会被调整为256×256大小，并且只有中心区域的224×224大小的图像会被转换为张量。

与模型类似，上述信息的存储消耗在表4中给出。值得注意的是，由于图像是在较小的环Z2 8中共享的，因此加密图像的扩展非常小。具体来说，...