-
公开(公告)号：CN117333512A
公开(公告)日：2024-01-02
申请号：CN202311344197.6
申请日：2023-10-17
Applicant: 大连理工大学
Abstract: 一种基于检测框跟踪的航拍小目标跟踪方法，属于计算机技术领域，旨在解决航拍小目标跟踪问题，要点是S1：对航拍数据集图像数据预处理；S2：将预处理后的图像数据集输入目标检测网络中训练，得到目标检测网络对应的检测权重；S3：跟踪模型输入目标检测网络检测到的候选框，对航拍小目标测试监测；S4：将测试监测所检测到的航拍小目标的位置信息，经过编号比对，进行可视化处理并进行记录，效果是结合目标检测和目标跟踪两个关键步骤，以提高跟踪的准确性和鲁棒性。
-
公开(公告)号：CN118332547B
公开(公告)日：2024-10-18
申请号：CN202410457122.7
申请日：2024-04-16
Applicant: 大连理工大学
IPC: G06F21/55 , G06N3/0464 , G06N3/06 , G16H30/00 , G06F21/62
Abstract: 基于异步联邦学习模型的防御医疗图像后门攻击的方法，为了解决医疗图像类的深度网络模型在联邦学习模型中的适用性，提升联邦学习中分布式数据和模型参数的可信性，要点是服务器将其一定时间内所获取的多个客户端的所述卷积层神经元的平均权重值，通过无监督的异常检测算法处理，获取各客户端的所述卷积层神经元的平均权重值的分布，对其中的所述卷积层神经元，若其所述平均权重值分布偏离超过阈值，则判断为异常神经元；异常神经元所在的客户端在当前迭代中标记为可疑，在异步联邦学习的各次迭代中，确定可疑客户端，在异步联邦学习算法执行中，只对非可疑的客户端上传的异步联邦学习模型进行聚合，效果是能够对抗联邦学习中的后门攻击。
-
Patent Agency Ranking
公开(公告)号：CN117151208B
公开(公告)日：2024-03-22
申请号：CN202310985134.2
申请日：2023-08-07
Applicant: 大连理工大学
Abstract: 基于自适应学习率的异步联邦学习参数更新方法、电子设备及存储介质，为了解决异步联邦学习面临着双重挑战：陈旧性问题和数据集不平衡问题，本发明分别在中心服务器和工作节点解决如上问题，中心服务器接收完K个梯度后，首先进行无偏梯度估计，并实施一种基于余弦相似度的新型评估方法，以衡量延迟梯度的陈旧度；同时进一步调整学习速率，更新并广播模型参数和迭代次数。对于数据集不平衡问题，工作节点引入了一个类平衡损失函数，可以处理异质性数据对于模型训练的影响，本发明根据延时程度自适应调整学习速率，提高了模型的预测精度。
-
公开(公告)号：CN115002031B
公开(公告)日：2023-09-29
申请号：CN202210506600.X
申请日：2022-05-11
Applicant: 大连理工大学
IPC: H04L47/10 , H04L47/125 , H04L47/2441 , H04L47/70 , H04L47/80
Abstract: 基于不平衡数据分布的联邦学习网络流量分类模型训练方法、模型及分类方法，属于计算机流量分类领域，为了解决联邦学习在不平衡流量分类任务中通信代价过大和精度降低的问题，中心节点在一个训练周期接收本地节点发送的本地模型权重和平衡度，其中，本地节点的流量数据在本地模型中训练得到本地模型权重，平衡度由所述流量数据所在的流量数据集计算所得；将本地模型权重和平衡度加权聚合得到聚合后的全局模型；中心节点将所述聚合后的全局模型向本地节点发送；确定中心节点发送的聚合后的全局模型的准确率，根据所述准确率确定本地节点训练的模型，效果是可以有效地减小通信代价。
-
公开(公告)号：CN115002031A
公开(公告)日：2022-09-02
申请号：CN202210506600.X
申请日：2022-05-11
Applicant: 大连理工大学
IPC: H04L47/10 , H04L47/125 , H04L47/2441 , H04L47/70 , H04L47/80
Abstract: 基于不平衡数据分布的联邦学习网络流量分类模型训练方法、模型及分类方法，属于计算机流量分类领域，为了解决联邦学习在不平衡流量分类任务中通信代价过大和精度降低的问题，中心节点在一个训练周期接收本地节点发送的本地模型权重和平衡度，其中，本地节点的流量数据在本地模型中训练得到本地模型权重，平衡度由所述流量数据所在的流量数据集计算所得；将本地模型权重和平衡度加权聚合得到聚合后的全局模型；中心节点将所述聚合后的全局模型向本地节点发送；确定中心节点发送的聚合后的全局模型的准确率，根据所述准确率确定本地节点训练的模型，效果是可以有效地减小通信代价。
-
公开(公告)号：CN118332547A
公开(公告)日：2024-07-12
申请号：CN202410457122.7
申请日：2024-04-16
Applicant: 大连理工大学
IPC: G06F21/55 , G06N3/0464 , G06N3/06 , G16H30/00 , G06F21/62
Abstract: 基于异步联邦学习模型的防御医疗图像后门攻击的方法，为了解决医疗图像类的深度网络模型在联邦学习模型中的适用性，提升联邦学习中分布式数据和模型参数的可信性，要点是服务器将其一定时间内所获取的多个客户端的所述卷积层神经元的平均权重值，通过无监督的异常检测算法处理，获取各客户端的所述卷积层神经元的平均权重值的分布，对其中的所述卷积层神经元，若其所述平均权重值分布偏离超过阈值，则判断为异常神经元；异常神经元所在的客户端在当前迭代中标记为可疑，在异步联邦学习的各次迭代中，确定可疑客户端，在异步联邦学习算法执行中，只对非可疑的客户端上传的异步联邦学习模型进行聚合，效果是能够对抗联邦学习中的后门攻击。
-
公开(公告)号：CN117151208A
公开(公告)日：2023-12-01
申请号：CN202310985134.2
申请日：2023-08-07
Applicant: 大连理工大学
Abstract: 基于自适应学习率的异步联邦学习参数更新方法、电子设备及存储介质，为了解决异步联邦学习面临着双重挑战：陈旧性问题和数据集不平衡问题，本发明分别在中心服务器和工作节点解决如上问题，中心服务器接收完K个梯度后，首先进行无偏梯度估计，并实施一种基于余弦相似度的新型评估方法，以衡量延迟梯度的陈旧度；同时进一步调整学习速率，更新并广播模型参数和迭代次数。对于数据集不平衡问题，工作节点引入了一个类平衡损失函数，可以处理异质性数据对于模型训练的影响，本发明根据延时程度自适应调整学习速率，提高了模型的预测精度。
-
-
-
-
-
-
Search Results
7
records
(took 0.01 seconds)
