-
公开(公告)号：CN118396079A
公开(公告)日：2024-07-26
申请号：CN202410570453.1
申请日：2024-05-09
Applicant: 大连理工大学
IPC: G06N3/098 , G06N3/042 , G06F18/214
Abstract: 本发明提供一种基于加权采样数据集蒸馏的Non‑IID联邦学习方法，包括以下步骤：假设有m个参与方，且每个参与方拥有的数据Xk,k∈(1,m)互不重复，设置第k个客户端拥有的标签类别为Yk，不同的客户端的数据不满足独立同分布条件；假设每轮选择客户端有s个，进行本地数据集蒸馏；对所述步骤2蒸馏后的数据集进行全局服务器训练。本算法解决了联邦学习中极端非独立同分布引起的收敛通信轮次过多和低精度等问题。此外，我们的算法架构使得联邦学习可以依赖最少甚至仅有一个客户端在单个通信轮次中参与训练。这种对异步性的极大适应性进一步扩展了联邦学习的适用范围。
-
公开(公告)号：CN117973563A
公开(公告)日：2024-05-03
申请号：CN202410165037.3
申请日：2024-02-05
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
IPC: G06N20/00 , G06F21/62 , G06N3/0464 , G06V10/764 , G06V10/82 , G06V10/26
Abstract: 本发明提供一种实现多客户端协作的多任务联邦学习系统，包括：分割客户端S和分类客户端C；所述分割客户端S或分类客户端C的数量为一个或多个，每个分割客户端S或每个分类客户端C均持有一个本地模型；所述分割客户端S和分类客户端C均为U‑net网络结构。本方法将联邦学习与多任务学习相结合，使实现不同任务的客户端可以进行联合训练，最大程度上利用了现有数据，提升客户端模型效果。相较传统的单任务联邦学习方法而言，本任务更广泛地利用了现有数据，为现实场景中应用深度学习处理医疗影像提供了新方法，为联邦学习进一步的发展提供了新的思路。
-
公开(公告)号：CN116738270A
公开(公告)日：2023-09-12
申请号：CN202310793505.7
申请日：2023-06-30
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
IPC: G06F18/23213 , G06N20/00
Abstract: 一种基于高维空间聚类的无监督联邦学习投毒防御方法，属于联邦学习技术领域，本发明方法整体框架主要包含数据预处理器、聚类器、选择器和聚合器四个部分。该方法首先对来自客户端的模型参数进行预处理，抽取多层网络模型的其中一层进行聚类分析，并使用PCA对抽取的模型参数进行降维，提取更优模型参数特征；然后将降维后的模型参数分别送入m个K‑means聚类器进行聚类；然后通过选择器选择良性参与方所属的簇；最后使用聚类器对良性参与方的模型参数进行聚合。实验结果表明，本发明的方法可以有效地防御多种典型地联邦学习投毒攻击方法。
-
公开(公告)号：CN116473537A
公开(公告)日：2023-07-25
申请号：CN202310199200.3
申请日：2023-03-03
Applicant: 大连理工大学
IPC: A61B5/08 , A61B5/352 , A61B5/346 , A61B5/00 , G06F18/24 , G06F18/214 , G06N20/00 , G06N3/098 , G06N3/088 , G16H50/70
Abstract: 本发明提供一种基于SAE模型和联邦学习的OSA检测方法，包括：通过检测终端采集睡眠时期人体的心电图ECG信号，生成自有心电的输入特征序列；检测终端由云服务器获取原始SAE模型，并根据自有心电的输入特征序列进行模型训练，对模型参数进行微调，并将微调完成后的模型上传至医院云服务器；云服务器基于多个检测终端上传的模型进行多中心数据无监督联邦建模，并根据自身中心有标签数据更新模型后下发至检测终端，重复此过程至模型收敛；通过检测终端根据云服务器下发的模型进行自有心电的输入特征序列预测分类，得到检测结果。本发明基于SAE模型实现了无监督联邦学习框架，允许病人使用高舒适度的居家终端设备完成高准确率的OSA检测。
-
公开(公告)号：CN113888400A
公开(公告)日：2022-01-04
申请号：CN202111302183.9
申请日：2021-11-04
Applicant: 大连理工大学
Abstract: 本发明提供一种图像风格迁移方法及装置，方法包括：将所述内容图像Ic和风格图像Is输入到预训练好的编码器网络E中进行特征提取，将内容特征C和风格特征S融合并投影到隐空间Z；将风格特征S的信息输入解码器网络D的第一层卷积中获得解调过后的解码器第一层权重A'1；基于FastICA算法获取一个分离矩阵W，所述分离矩阵W使矩阵'中各向量的相关性最小；基于所述分离矩阵W与矩阵'计算获取解调后的语义方向集合；基于获取的语义方向编辑所述隐空间Z中的隐空间向量，结合解码器网络D最终获取风格迁移后的图像。本发明不需要大规模的风格数据集进行训练，也不需要学习任何参数，并且能够应用于多数风格迁移模型。
-
Patent Agency Ranking
公开(公告)号：CN103226585B
公开(公告)日：2015-10-28
申请号：CN201310123163.4
申请日：2013-04-10
Applicant: 大连理工大学
IPC: G06F17/30
Abstract: 本发明面向图像检索的自适应哈希重排方法，属于图像检索技术领域，涉及到利用图像哈希方法进行基于内容的图像检索。该方法采用先映射后排序的哈希重排方法，先提取训练库中图像的高维视觉特征向量，选择适当的哈希方法将高维视觉特征映射成哈希码，为每类图像生成特定的类权重向量；计算检索图像的哈希码与训练库中哈希码间的汉明距离，按由小到大的顺序返回检索结果；依据检索结果计算检索图像的自适应权重向量，利用检索图像的自适应权重向量构造加权汉明距离，并利用加权汉明距离对返回图像进行重排，得到更准确的检索结果；该方法根据不同的检索图像计算特定的权重，具有一般性，且在没有增加计算复杂度的同时明显提高了检索效果。
-
公开(公告)号：CN104951559A
公开(公告)日：2015-09-30
申请号：CN201510388312.9
申请日：2015-07-02
Applicant: 大连理工大学
IPC: G06F17/30
CPC classification number: G06F17/30247 , G06F17/3028
Abstract: 本发明一种基于位权重的二值码重排方法属于图像检索技术领域，涉及到利用图像哈希方法进行基于内容的图像检索，特别涉及到一种基于位权重的二值码重排方法。该方法对于图像库中的所有图像和查询图像，提取高维欧氏特征；利用图像哈希方法生成二值码；计算查询图像二值码和图像库中所有图像二值码之间的汉明距离，根据汉明距离从小到大进行排序，返回对应的图像作为该查询图像的搜索结果；从返回的搜索结果中选择与查询图像真正具有相似视觉内容的图像子集。该方法基于比特位重要性的权重计算方法执行过程高效，对所有类型的哈希函数生成方法都有效，在没有增加计算复杂度的同时明显提高了检索效果。
-
公开(公告)号：CN101710334B
公开(公告)日：2012-01-25
申请号：CN200910220599.9
申请日：2009-12-04
Applicant: 大连理工大学
Abstract: 一种基于图像哈希的大规模图像库检索方法，属于图像检索技术领域，涉及基于内容的图像检索方法。其特征是从待检索的图像库中选取与查询图像相关的训练图像；分别提取待检索图像、训练图像和查询图像的Gist特征。利用K均值聚类法将训练特征聚成C类；对每类样本特征，计算其超球面分类函数由此定义哈希函数为计算待检索图像特征和查询图像特征的哈希序列；并计算查询图像哈希序列与待检索图像哈希序列之间的汉明距离；设定阈值d，返回相似的图像。本发明的效果和益处是克服了LSH方法哈希函数数量多的问题；解决了谱哈希法和语义哈希法不能扩展到核空间的问题，同时也完善了KLSH方法计算哈希函数时对样本的选择问题。
-
公开(公告)号：CN119834969A
公开(公告)日：2025-04-15
申请号：CN202411971602.1
申请日：2024-12-30
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
Abstract: 本申请揭示了一种数据加密方法及相关设备，其中，方法包括：通过FIFO结构将待加密数据存储至RAM数据储存单元；获取所述待加密数据的位数数据，并基于所述位数数据确定针对所述待加密数据的计算结构，所述计算结构包括蝶形计算的层数和每层蝶形计算所需的蝴蝶运算子单元的个数；基于所述个数和所述层数构建与所述待加密数据对应的预设蝴蝶运算单元；基于所述预设蝴蝶运算单元和所述RAM数据储存单元中的预设原根值对存储至RAM数据储存单元的待加密数据存储进行蝶形计算。
-
公开(公告)号：CN118396834A
公开(公告)日：2024-07-26
申请号：CN202410165038.8
申请日：2024-02-05
Applicant: 大连理工大学 , 深圳市洞见智慧科技有限公司
Abstract: 本发明提出一种即插即用的风格图像描述方法，将风格图像描述解耦成事实图像描述和融合风格元素两部分，使用一个生成式风格鉴别器作为后处理模块，引导一个事实图像描述模型在合适的位置生成风格单词或短语，从而完成风格图像描述任务。因为任意现成的事实图像描述模型都可以用来负责生成描述的准确性，该方法不需要预训练的过程，只需要在小规模的风格语料库上进行训练，节省了绝大部分的训练时间和计算资源。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.028 seconds)
