-
公开(公告)号：CN116992336B
公开(公告)日：2024-02-13
申请号：CN202311129979.8
申请日：2023-09-04
Applicant: 南京理工大学
IPC: G06F18/24 , G06F18/214 , G06F18/213 , G06F18/20 , G06F17/18 , G06F17/16 , G06N3/096
Abstract: 本发明公开了一种基于联邦局部迁移学习的轴承故障诊断方法，涉及轴承故障诊断技术领域。包括以下步骤：客户端对不同工况的数据集预处理；服务器端初始化全局模型后将模型参数下发至客户端；源客户端进行本地训练并向服务器端上传特征提取结果与网络参数，目标客户端向服务器端上传特征提取结果与类别权重结果；服务器端计算源域与目标域之间的分布差异与源客户端的聚合权重，更新全局模型直至模型收敛得到最终全局故障诊断模型。该方法在不泄露多方用户数据隐私的前提下打破数据孤岛，并充分考虑了故障诊断迁移学习中源域数据包含目标域数据的场景下的对故障诊断准确率的提升性，并获得了优良的故障诊断结果。
-
公开(公告)号：CN119007096A
公开(公告)日：2024-11-22
申请号：CN202410949486.7
申请日：2024-07-15
Abstract: 本发明公开了一种基于视觉大模型低秩自适应微调的学生行为检测方法，涉及行为检测技术领域，包括以下步骤：构建本地数据集；在预训练模型中的特定注意力头中引入低秩自适应参数；固定预训练模型的原始参数，利用低秩自适应微调技术在本地数据集上微调低秩自适应参数；重复上一步骤，直到算法收敛，得到适应本地数据分布的学生行为检测模型Wlocal；将微调后的模型Wlocal部署在学校端，实时检测和反馈学生行为。本发明采用上述一种基于视觉大模型低秩自适应微调的学生行为检测方法，通过对预训练模型进行低秩自适应微调，有效地克服了学生行为检测场景中难以获取足够高质量标注数据的问题。
-
公开(公告)号：CN117893807A
公开(公告)日：2024-04-16
申请号：CN202410047272.0
申请日：2024-01-12
Applicant: 南京理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/042 , G06N3/0895 , G06N3/098
Abstract: 本发明公开了基于知识蒸馏的联邦自监督对比学习图像分类系统及方法，属于深度学习和计算机技术领域，具体为：中央服务器随机初始化全局模型，并下发给每个客户端，客户端动态更新本地模型；随机选取参与本次聚合的客户端，接收全局模型参数，根据发散感知方法动态更新本地模型参数，使用本地图像数据集基于SimCLR算法进行自监督对比学习并利用知识蒸馏学习全局模型的结构知识，然后客户端将参数上传至中央服务器；中央服务器针对接收到的模型参数，根据客户端数据量基于FedAvg算法进行加权平均，得到聚合后的全局模型，并下发给每个客户端；重复执行直到每个客户端得到一个收敛的全局模型，用于完成图像分类。本发明安全性好、效率高、准确性好。
-
公开(公告)号：CN119007095A
公开(公告)日：2024-11-22
申请号：CN202410948329.4
申请日：2024-07-15
IPC: G06V20/52 , G06V40/20 , G06V10/20 , G06V10/40 , G06V10/62 , G06V10/764 , G06V40/10 , G06V40/16 , G06V20/40 , G06T5/00 , G06N20/00
Abstract: 本发明公开了一种基于自监督学习的学生行为检测方法，涉及机器学习技术领域，包括以下步骤：对无标签输入数据进行预处理并进行数据增强得到两个增强视图，并划分为固定长度的时间窗口；对两个增强视图的时间窗口分别进行特征提取；计算两个增强视图的时间一致性损失；计算对比损失函数；对时间一致性损失和对比损失加权求和，形成最终的综合损失函数来训练模型；利用预训练好的特征提取器与分类头结合。本发明采用上述一种基于自监督学习的学生行为检测方法，解决了对大量标记数据的依赖和特征提取难题，通过自动学习和优化特征，提高了模型的泛化能力和检测准确性，该方法实现了实时、准确的学生行为监测，支持个性化教学和教育质量提升。
-
公开(公告)号：CN119295808A
公开(公告)日：2025-01-10
申请号：CN202411323893.3
申请日：2024-09-23
IPC: G06V10/764 , G06V10/40 , G06V10/84 , G06V10/774
Abstract: 本发明提供了一种基于点对称模式转换数据增强的分布式轴承故障诊断方法，属于轴承故障诊断技术领域，包括参与用户采集并标注本地轴承故障样本，采用SDP转换方法将一维时间序列信息转换为二维图像，采用一维数据与二维数据两个模态的数据构建本地数据集；中央服务器初始化并分发全局模型给参与用户；参与用户基于本地数据集进行本地训练并将本地模型参数上传至中央服务器；将上传的模型参数进行聚合，更新全局模型；将更新后的全局模型下发给参与用户；重复上述过程，直到达到预设的最大通信轮次或预定的模型性能指标。本发明采用上述的基于点对称模式转换数据增强的分布式轴承故障诊断方法，解决了工业轴承故障诊断场景下数据模态单一导致的模型性能差的问题。
-
Patent Agency Ranking
公开(公告)号：CN117172312A
公开(公告)日：2023-12-05
申请号：CN202311048113.4
申请日：2023-08-18
Applicant: 南京理工大学 , 江苏省未来网络创新研究院
IPC: G06N3/0985 , G01M13/045 , G06N20/00 , G06N3/0464 , G06N3/045 , G06N3/048 , G06F18/2433 , G06F18/213
Abstract: 本发明公开了一种基于改进联邦元学习的设备故障诊断方法，属于深度学习和计算机技术领域，包括以下步骤：中心服务器初始化全局模型并下发给训练用户；每个训练用户利用本地数据首先训练特征提取器，其次基于元学习方法训练预测器；本地训练结束客户端上传本地模型至服务器进行聚合并重复此过程直至收敛；联邦通信结束后测试用户下载全局模型，用少量数据微调后得到最终模型。本发明采用上述一种基于改进联邦元学习的设备故障诊断方法，解决了工业设备故障诊断场景下数据分散以及模型泛化性能差的问题。
-
公开(公告)号：CN118505642B
公开(公告)日：2025-01-14
申请号：CN202410614995.4
申请日：2024-05-16
Applicant: 南京理工大学
IPC: G06T7/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/94 , G06V10/96 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/098
Abstract: 本发明提供了一种基于对抗个性化联邦学习的钢铁表面缺陷分类方法及系统，属于钢铁表面缺陷分类技术领域，包括以下步骤：参与用户采集并标注本地钢铁表面缺陷样本以构建本地数据集；中央服务器分发全局编码器；参与用户基于动态共识构建策略更新初始本地编码器、初始本地分类器与初始本地鉴别器；参与用户上传第一本地编码器与鉴别损失；中央服务器基于共识感知聚合机制得到下一轮全局编码器；参与用户基于自适应特征融合模块更新第一本地编码器、第一本地分类器与融合权重；重复上述联邦通信过程直至预设最大通信轮次。本发明解决了工业钢铁表面缺陷分类场景下数据分散及数据异构导致的模型性能差的问题。
-
公开(公告)号：CN119131489A
公开(公告)日：2024-12-13
申请号：CN202411232470.0
申请日：2024-09-03
Abstract: 本发明公开了一种针对多模态少标签样本的情感识别大模型微调方法，涉及行为检测技术领域。本发明提供的一种针对多模态少标签样本的情感识别大模型微调方法，包括采集多模态图像数据和音频数据，并分别进行数据增强；利用预训练模型，提取数据增强后的图像数据和音频数据的特征，并将特征映射到隐藏空间，分别得到图像域投影嵌入表示和音频域投影嵌入表示；基于特征一致性损失和预测一致性损失的不确定性，构造总损失函数；重复上述步骤，直至模型收敛。因此，采用上述方法，利用多模态数据进行情感识别，能够获得更丰富的特征；采用对预训练模型进行微调的方法，能够提高效率；通过训练动态调整加权系数，能够提高模型的适应性和鲁棒性，提升了模型的泛化能力。
-
公开(公告)号：CN118505642A
公开(公告)日：2024-08-16
申请号：CN202410614995.4
申请日：2024-05-16
Applicant: 南京理工大学
IPC: G06T7/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/94 , G06V10/96 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/098
Abstract: 本发明提供了一种基于对抗个性化联邦学习的钢铁表面缺陷分类方法及系统，属于钢铁表面缺陷分类技术领域，包括以下步骤：参与用户采集并标注本地钢铁表面缺陷样本以构建本地数据集；中央服务器分发全局编码器；参与用户基于动态共识构建策略更新初始本地编码器、初始本地分类器与初始本地鉴别器；参与用户上传第一本地编码器与鉴别损失；中央服务器基于共识感知聚合机制得到下一轮全局编码器；参与用户基于自适应特征融合模块更新第一本地编码器、第一本地分类器与融合权重；重复上述联邦通信过程直至预设最大通信轮次。本发明解决了工业钢铁表面缺陷分类场景下数据分散及数据异构导致的模型性能差的问题。
-
公开(公告)号：CN117893807B
公开(公告)日：2024-06-25
申请号：CN202410047272.0
申请日：2024-01-12
Applicant: 南京理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/042 , G06N3/0895 , G06N3/098
Abstract: 本发明公开了基于知识蒸馏的联邦自监督对比学习图像分类系统及方法，属于深度学习和计算机技术领域，具体为：中央服务器随机初始化全局模型，并下发给每个客户端，客户端动态更新本地模型；随机选取参与本次聚合的客户端，接收全局模型参数，根据发散感知方法动态更新本地模型参数，使用本地图像数据集基于SimCLR算法进行自监督对比学习并利用知识蒸馏学习全局模型的结构知识，然后客户端将参数上传至中央服务器；中央服务器针对接收到的模型参数，根据客户端数据量基于FedAvg算法进行加权平均，得到聚合后的全局模型，并下发给每个客户端；重复执行直到每个客户端得到一个收敛的全局模型，用于完成图像分类。本发明安全性好、效率高、准确性好。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
