Page 101 - 《软件学报》2026年第6期

2420 软件学报 2026 年第 37 卷第 6 期

3 ∑
[P N ] 0 ,[P N ] 1 ,[P N ] 2 ,[P N ] 3 ← SNNI([C M ] 0 ,[C M ] 1 ,[C M ] 2 ,[C M ] 3 )+ C ′(i) (11)
N
i=0

服务器S 0 端SecFPN运算实例 (1) (2) (3)
SNNI [P 1 ] 0 ={P 1 , P 1 , P 1 }
(3)
(2)
(1)
Server S 0 [P 2 ] 0 ={P 2 , P 2 , P 2 }
Π SAdd SecFPN ΠSAdd [P 3 ] 0 ={P 3 , P 3 , P 3 }
(1)
(3)
(2)
Π SConv (1) (2) (3)
ΠSAdd [P 4 ] 0 ={P 4 , P 4 , P 4 }
Π SMaxpool (1) (2) (3)
ΠSAdd [P 5 ] 0 ={P 5 , P 5 , P 5 }
Server S 1 Server S 2
SecFPN SecFPN
ΠSAdd ΠSAdd
Server S 3 ΠSAdd ΠSAdd
SecFPN ΠSAdd ΠSAdd
图 3 SecFPN 多层次特征提取

5.2 安全区域提议网络
SecRPN 基于多层次特征图生成提议区域, 主要由 3 个组件构成: 锚框生成器 (anchor box generator, ABG)、
安全提议生成器 (secure proposal generator, SecPG) 和安全提议过滤器 (secure proposal filter, SecPF). ABG 负责生
成初始的锚框, SecPG 根据特征图和锚框生成提议区域, 而 SecPF 则对生成的提议区域进行筛选和优化.
5.2.1 锚框生成器
ABG 生成了 5 组基础锚框集合, 尺寸分别为 32、64、128、256 和 512, 记作 A (s) , 其中 s ∈ {32,64,128,256,512}.
A (s) 的锚框包含 3 [F] ∈ [P] 都被分配一个对应的基础锚框集合, 其中
每组 种长宽比 AR = {0.5,1.0,2.0}. 每个特征图
[P 1 ]、 [P 2 ]、 [P 3 ]、 [P 5 ] 分别对应锚框集合
分辨率较低的特征图对应尺寸较大的锚框. 具体来说, 特征图 [P 4 ] 和
A (32) 、 A (64) 、 A (128) 、 A (256) 和 A (512) , 从而实现不同尺寸目标的检测. 每个服务器在特征图 [F] 上执行本地滑动窗口
{ }
[A ] = [a ′ ],[a ′ ],...,[a ′ , [F] 的尺寸. 最终, 得到所有特
′
操作, 生成对应的锚框组 (s) (s),1 (s),2 (s),n ] , 其中 n = H×W×3 (H,W) 为
{ }
′
征图上的锚框集合 [A ] = [A ′ ],[A ′ ],[A ′ ],[A ′ ],[A ′ ] .
(32) (64) (128) (256) (512)
5.2.2 安全提议生成器
SecPG 在密文上预测目标区域边界框和对应的置信度 (每个边界框包含目标对象的概率). 它通过 Π SConv 和
Π SReLU 层增强 SecBackbone 提取的特征图 [F] ∈ [P], 得到 [F ], 然后通过安全分类分支和安全回归分支进行处理.
′
安全分类分支计算每个锚框的置信度. 安全回归分支预测锚框到真实目标的偏移量. 最终, SecPG 使用 SBBDec 解
∑ 5
码边界框, 输出所有特征图生成的边界框集合 [B] 及其置信度 [Prob], 如算法 5 所示. 边界框总数 N = H i ×W i,
i=1
其中 H i 和 W i 分别是特征图 [P i ] ∈ [P] 的高和宽.
算法 5. 安全提议生成器 SecPG.
输入: S 0 持有 ([P] 0 ,[A] 0 ) S 1 持有 ([P] 1 ,[A] 1 ) S 2 持有 ([P] 2 ,[A] 2 ) S 3 持有 ([P] 3 ,[A] 3 );
,
,
,
输出: S 0 获取 ([B] 0 ,[Prob] 0 ) S 1 获取 ([B] 1 ,[Prob] 1 ) S 2 获取 ([B] 2 ,[Prob] 2 ) S 3 获取 ([B] 3 ,[Prob] 3 ).
,
,
,
1. 初始化: B = ∅ 和 Prob = ∅ for i ∈ {0,1,2,3}
(i)
(i)
2. for [F] ∈ [P] 和与之对应的 [A] ∈ [A] do
(i)
3. 初始化与 [A] 对应的边界框集合 B = ∅ for i ∈ {0,1,2,3}
′
′
′
′
4. [F ] 0 ,[F ] 1 ,[F ] 2 ,[F ] 3 ← Π SReLU (Π SConv ([F] 0 ,[F] 1 ,[F] 2 ,[F] 3 ))
S 3 计算
//安全分类分支: 利用 S 0 、S 1 、S 2 和
[Prob] 0 ,[Prob] 1 ,[Prob] 2 ,[Prob] 3 ← Π SConv ([F ] 0 ,[F ] 1 ,[F ] 2 ,[F ] 3 )
′
′
′
′
5.
6. [Prob] 0 ,[Prob] 1 ,[Prob] 2 ,[Prob] 3 ← Π SSigmoid ([Prob] 0 ,[Prob] 1 ,[Prob] 2 ,[Prob] 3 )
7. S 0 、S 1 、S 2 和 S 3 在本地将 [Prob] 的形状从 (H,W,3) 重塑为 (H×W×3)
//安全回归分支: 利用 S 0 、S 1 、S 2 和 S 3 计算