-
公开(公告)号：CN119363379A
公开(公告)日：2025-01-24
申请号：CN202411336754.4
申请日：2024-09-25
Applicant: 哈尔滨工业大学
IPC: H04L9/40 , G06N3/0464 , G06N3/098
Abstract: 本发明提出一种基于模型结构变换的联邦学习加密系统及方法，其中系统包括：参与训练的计算设备和中央服务器；参与训练的计算设备与中央服务器采用无线通信方式连接。本发明通过模型变换在联邦学习本地训练前将全局模型转换为私有的本地模型结构，并在本地训练结束后将其转换回全局结构，使得在整个联邦学习训练过程中，本地训练的局部模型结构是高度保密的，从而使得中央服务器或外部攻击者无法通过上传的梯度信息反推出局部客户端的私有数据信息；相比于传统的联邦学习加密方法，本发明利用轻量化的模型转换对本地模型信息加密进而隐式完成对梯度信息的加密，显著的提高了联邦学习的隐私性，具有很高的实用价值。
-
公开(公告)号：CN114359422B
公开(公告)日：2024-08-09
申请号：CN202210009301.5
申请日：2022-01-06
Applicant: 哈尔滨工业大学
IPC: G06T9/00 , G06N3/0464 , G06N3/0495 , G06N3/047 , G06N3/084
Abstract: 本发明一种基于深度学习的图像无损/近无损压缩方法属于图像压缩领域；主要设计了有损图像压缩与残差压缩联合优化的深度神经网络：首先，把原始图像输入深度有损图像压缩网络，得到有损压缩后的码流和重构图像；计算有损重构图像和原始图像的原始残差，并对原始残差进行量化，使得“有损重构+量化残差”与原始图像的最大像素误差严格地小于等于一个给定的误差上界；利用深度神经网络对原始残差或者量化残差进行压缩，压缩后的码流与有损图像压缩码流连接，得到图像无损/近无损压缩结果；相比于传统的图像无损/近无损压缩，本发明利用深度神经网络对有损图像压缩与残差压缩进行联合优化，显著地提升了图像无损/近无损压缩效率。
-
公开(公告)号：CN118246518A
公开(公告)日：2024-06-25
申请号：CN202410101109.8
申请日：2024-01-25
Applicant: 哈尔滨工业大学
Abstract: 一种基于模型参数差编码的通讯联邦学习方法，它涉及一种通讯联邦学习方法。本发明为了解决现有边缘设备大规模协同学习的通信成本较高的问题。本发明的步骤包括步骤1、发送方将参数差根据网络结构与参数编码为一组低维张量，并向设备接收方发送该组低维张量；步骤2、若接收方已经具备发送方编码时所采用的网络结构与参数，则无需重复发送，否则，发送该网络结构与参数；步骤3、接收方根据该网络结构与该组低维张量重建更新后的模型参数；步骤4、设备或中央服务器根据重建后的模型，执行本地更新或全局聚合；步骤5、当通讯次数或模型性能等预设指标达到预设要求时，输出结果。本发明属于数据处理技术领域。
-
公开(公告)号：CN118172434A
公开(公告)日：2024-06-11
申请号：CN202410404385.1
申请日：2024-04-07
Applicant: 哈尔滨工业大学
IPC: G06T11/00 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明涉一种面向概率建模的高并行自回归扫描及掩码卷积设计方法，具体实施步骤如下：步骤S1、给出扫描次数与图像分辨率呈线性关系时两者的数学关系式；步骤S2、构建特定的扫描角度以满足给定的扫描次数的限制；步骤S3、构建特定扫描角度下，确定掩码卷积的掩码方式。本发明提出的扫描方式大大提升了模型的并行度，且取得与串行扫描相近的性能。相比于波前扫描，本发明提出的扫描方式其扫描次数与卷积核大小不再相关，而是与掩码方式相关，所以可以在扫描次数不变的情况下，运用更大的卷积核以增强模型的概率估计性能。
-
公开(公告)号：CN117372291A
公开(公告)日：2024-01-09
申请号：CN202311169310.1
申请日：2023-09-12
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种利用通用模型对比范式提升图像复原的方法，该方法使用指数移动平均的方式得到目标模型在不同训练迭代的历史版本作为负样本模型。然后定义SPN损失函数,在特征空间中拉大目标模型表示与负样本模型表示之间的距离。此外,还同时引入多个历史模型构造多个负样本，使得训练更加稳定。相比于现有通过手工设定负样本的对比学习方法,该方法对比学习范式无需特定任务先验,对不同图像复原任务具有泛化能力。可以很容易地和已有方法相结合,仅需将SPN损失加入原有目标函数即可。通过在图像超分辨率、去雨、去雾等任务上对不同模型进行重训练,实验结果表明,该方法对比学习框架可以显著提升各个模型的性能,优于现有对比学习技术。
-
Patent Agency Ranking
公开(公告)号：CN113313663B
公开(公告)日：2022-09-09
申请号：CN202110644185.X
申请日：2021-06-09
Applicant: 哈尔滨工业大学
Abstract: 本发明提出基于零样本学习的多聚焦图像融合方法，使用多聚焦图像融合网络结构IM‑Net将输入的多聚焦图像中包含的信息进行融合，IM‑Net包括两个联合的子网络I‑Net和M‑Net，I‑Net对融合图像的深度先验建模，M‑Net对聚焦图的深度先验建模，通过提取的先验信息实现零样本学习，对IM‑Net施加了重构约束，以确保可以将源图像对的信息更好地传输到融合图像，高层语义信息可保持相邻像素的亮度一致性，并且引导损失为IM‑Net查找清晰区域提供了指导信息，实验结果表明了本发明方法的有效性。
-
公开(公告)号：CN112069735B
公开(公告)日：2022-08-12
申请号：CN202010934404.3
申请日：2020-09-08
Applicant: 哈尔滨工业大学
Abstract: 本发明基于生物医疗仪器领域，具体涉及一种基于非对称像差的全切片数字成像高精度自动聚焦法：本方法提出了一种基于深度级联网络的学习方法，主要包含准焦分类网络和重聚焦网络；针对由像差导致准焦平面两侧离焦图像退化产生的不对称效应，本方法采用的准焦分类网络可以识别离焦图像正负向的离焦偏离特征；设计的重聚焦网络可根据正负向带偏离特征的离焦图像解算出精确的准焦距离；通过准焦分类网络和重聚焦网络的级联设计，本方法实现了成像过程中的像差校正问题，实现了全切片数字成像的准焦距离高精度预测，对传统的全切片数字病理成像硬件进行了软件虚拟化。
-
公开(公告)号：CN119228862A
公开(公告)日：2024-12-31
申请号：CN202411291373.9
申请日：2024-09-14
Applicant: 哈尔滨工业大学
IPC: G06T7/55 , G06T3/08 , G06N3/0464 , G06N3/0442 , G06N3/0895
Abstract: 本发明提出一种具有结构一致性的自监督多相机深度预测方法，包括：S1：将相邻视角的RGB图像输入深度估计网络，获取对应RGB图像的深度基；S2：对RGB图像的深度基权重进行优化，并和深度基进行线性求和，得到初始深度图；S3：以初始深度图为基础，将相邻视角RGB图像的特征图像的特征投影到同一视角下，获取合并后的投影特征；S4：将合并后的投影特征输入权重更新网络进行优化；S5：对更新后的被投影特征权重和深度基进行线性求和计算，得到优化一次后的深度图；S6：重复S1‑S5，对深度图进行迭代优化，直至深度基权重收敛，得到自监督多相机协同深度预测结果。本发明能够利用相机之间的小重叠信息，实现深度预测的结构一致性。
-
公开(公告)号：CN118097745A
公开(公告)日：2024-05-28
申请号：CN202410175752.5
申请日：2024-02-08
Applicant: 哈尔滨工业大学
IPC: G06V40/16 , G06V10/82 , G06V10/774 , G06V10/80 , G06F21/62
Abstract: 本发明涉及一种基于深度光学成像的隐私保护抑郁症识别方法、系统、计算机设备及介质，该方法包括如下步骤：S1、构建光学模型，预训练带有隐私保护能力的透镜；S2、构建深度模型，并引入情感信息数据；S3、向光学模型和深度模型引入抑郁症信息数据；S4、融合情感信息与抑郁症信息并进行抑郁症水平预测。本发明通过设计基于深度光学的抑郁症识别模型，能够对面部图像进行抑郁症识别并且不产生任何隐私信息，同时确保识别的准确度。通过对比本模型与其他方法在识别性能与隐私保护性能的平衡上，本发明设计的模型具有最好的表现。与不同程度的图像模糊方法对比，本发明的隐私保护策略可以在保障识别误差的情况下，取得最佳的隐私保护性能。
-
公开(公告)号：CN117834926A
公开(公告)日：2024-04-05
申请号：CN202410003863.8
申请日：2024-01-03
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种图像数据DNA存储的编解码方法，包括如下步骤：步骤S1、将需要编码的图像转化为二进制数据串，拆分为子串后，按序为其进行二进制编号，拼接编号与二进制子串，得到组合数据串；步骤S2、建立二进制串与碱基序列的映射表后，将组合数据串进行碱基转换，得到碱基序列；步骤S3、将所述碱基序列添加校验信息并重复，得到冗余碱基序列，添加新的引物并进行DNA合成，得到DNA存储数据。本发明的用于DNA存储的图像编解码方法，在编码前先压缩数据，可以提高编码密度，还可以根据实际数据与对还原数据的要求，在压缩比和还原质量之间进行平衡。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.024 seconds)
