-
公开(公告)号:CN118966319A
公开(公告)日:2024-11-15
申请号:CN202410871430.4
申请日:2024-07-01
Applicant: 上海工程技术大学
IPC: G06N3/098 , G06N3/0895
Abstract: 本发明公开了一种基于自监督学习的纵向联邦学习方法,属于机器学习技术领域。该方法包括:对于任意两个参与方,使用重叠数据样本互为正样本对进行重叠网络的自监督训练;对两个参与方的本地数据进行压缩处理,得到降维后的数据矩阵,使用压缩数据与重叠编码器对本地在线网络和目标网络进行自监督训练;将每一参与方训练好的本地在线网络的尾部编码器以及预测器参数上传至服务器求平均,然后下发各参与方更新进行下一轮的训练。本发明采用对本地数据进行压缩处理以及传递特征表示代替传输加密参数,降低了对设备计算能力的要求;同时该方法不仅充分利用重叠样本,而且还能够使用非重叠样本进行训练,显著提高样本的使用率。
-
公开(公告)号:CN117830732A
公开(公告)日:2024-04-05
申请号:CN202410008519.8
申请日:2024-01-02
Applicant: 上海工程技术大学
IPC: G06V10/764 , G06V20/60 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于YOLOv7模型的Logo检测方法和装置,所述方法包括:构建采用YOLOv7模型作为基础框架的Logo检测模型,骨干网络包括第一特征提取模块和依次连接的三组第二特征提取模块;第二特征提取模块包括CSMP模块和ELAN模块;通过第一组第二特征提取模块的CSMP模块对最大池化后和平均池化后的第一特征图分别进行基于通道注意力机制和基于空间注意力机制的特征提取,得到通道注意力特征图和空间注意力特征图,拼接通道注意力特征图和空间注意力特征图,得到增强特征图,通过ELAN模块处理增强特征图,得到第二特征图;通过Logo检测模型的头部网络对三组第二特征图进行处理,得到Logo图像样本的Logo检测结果。采用本方法能够对不同的Logo图像进行检测,提高Logo检测的精度。
-
公开(公告)号:CN115311205A
公开(公告)日:2022-11-08
申请号:CN202210803801.6
申请日:2022-07-07
Applicant: 上海工程技术大学
Abstract: 本发明公开了一种基于图神经网络联邦学习的工业设备故障检测方法,属于工业设备故障检测领域。该方法包括:客户端采集工业设备故障数据,构建带有标签的工业设备图数据集;建立并初始化客户端图神经网络模型;根据工业设备图数据集和公共数据集训练图神经网络模型;并将训练好的模型参数上传中央服务器,中央服务器将得到的所有客户端模型参数进行聚合,得到更新的模型参数,并下发给所有客户端;客户端更新本地模型,迭代训练直至网络模型的损失值小于阈值或达到指定训练次数。本发明依据图结构数据,基于图神经网络在联邦学习架构下进行训练,并在联邦学习架构下进行GNN聚合。使得在本地数据的私密性得以保证的前提下,本地模型间互相受益。
-
公开(公告)号:CN119850952A
公开(公告)日:2025-04-18
申请号:CN202411914326.5
申请日:2024-12-24
Applicant: 上海工程技术大学
IPC: G06V10/26 , G06V10/52 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/0499 , G06N3/048 , G06N3/045 , G06N3/08
Abstract: 本发明涉及图像分割技术领域,更具体地说,涉及自回归顶点生成与语言结构引导的图像指代分割方法,获取输入图像和对应的指代查询语句;利用预训练的视觉编码器获取输入图像的多尺度视觉特征;利用预训练的语言编码器获取指代查询语句的语言特征;基于多尺度视觉特征,构建图像语义场景图;基于语言特征,构建查询语言依存图;利用图对齐机制和特征对齐机制,实现图像语义场景图与查询语言依存图的结构化多模态融合;基于结构化多模态融合的结果,采用语言引导的自回归实例生成方法生成目标实例的轮廓点序列;根据轮廓点序列生成目标实例的分割掩码;输出分割掩码作为图像指代分割的结果,实现了显著的性能提升。
-
公开(公告)号:CN115935186A
公开(公告)日:2023-04-07
申请号:CN202211564466.5
申请日:2022-12-07
Applicant: 上海工程技术大学
IPC: G06F18/214 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于增强生成模型的工序异常检测方法,包括下列步骤:S1:针对汽车智能设备制造领域工序故障应用场景,收集相应的设备工序故障样本数据,通过对抗的过程训练增强生成GAN模型,其中,模型包括生成器G和判别器D;使用大量正常工序样本进行训练后,由生成器训练生成模拟正常样本Gn(Z)的能力,判决器D学习异常工序样本的特征。本发明的网络训练中只需要少量正常样本,在对抗训练过程中,进行两个网络共同优化,最终使得生成网络可以生成非常接近真实数据的样本,同时,每个GAN模型只生成一种工序故障数据,多个GAN模型共同实现故障数据集的扩充,从而提高生成数据的质量。
-
-
-
-