-
公开(公告)号：CN118964006A
公开(公告)日：2024-11-15
申请号：CN202410975156.5
申请日：2024-07-19
Applicant: 哈尔滨工业大学
Abstract: 本发明涉及一种边端环境下面向能耗优化的多设备多神经网络应用拆分推理方法，属于计算机服务技术领域。该方法旨在解决工业互联网中深度神经网络模型在端设备上推理的能耗问题。通过对边端环境和DNN模型精细化建模，结合遗传算法和贪心策略，生成DNN分区与卸载策略和资源分配方案，在成本和最大端到端延迟约束下实现最小化端设备功耗的目标。该方法支持大规模数量的端设备，且每个端设备上可部署多个不同复杂DNN模型，通过精细化的资源分配和任务调度，能够在成本约束下充分利用环境中的多个边缘服务器。本发明为工业互联网领域的DNN模型推理提供了一种能耗优化的解决方案，推动IIoT系统的智能化发展。
-
Patent Agency Ranking
公开(公告)号：CN117094381B
公开(公告)日：2024-04-12
申请号：CN202311054007.7
申请日：2023-08-21
Applicant: 哈尔滨工业大学
IPC: G06N3/098 , G06N3/0895 , G06N3/045 , G06F18/214 , G06F18/241
Abstract: 一种兼顾高效通信和个性化的多模态联邦协同方法，所述方法首先在云端构建全局模型，全局模型采用了多模态模型，可以对多模态数据进行建模，并分别初始化全局模型的权重；将全局模型参数拷贝给边缘端，构建局部模型。局部模型为一个三玩家模型，分别是全局网络，切分网络和局部网络。在模型局部更新阶段，将切分网络划分为基础层和学习层，其中基础层的参数可以通过上传上行链路的形式传送给云端全局模型；基于误差压缩的梯度输出方法，计算边缘端模型参数梯度的积累量，并对参数梯度的积累量采用信号压缩，减少需要更新的量，达到提高通信效率的目的。
-
公开(公告)号：CN117094381A
公开(公告)日：2023-11-21
申请号：CN202311054007.7
申请日：2023-08-21
Applicant: 哈尔滨工业大学
IPC: G06N3/098 , G06N3/0895 , G06N3/045 , G06F18/214 , G06F18/241
Abstract: 一种兼顾高效通信和个性化的多模态联邦协同方法，所述方法首先在云端构建全局模型，全局模型采用了多模态模型，可以对多模态数据进行建模，并分别初始化全局模型的权重；将全局模型参数拷贝给边缘端，构建局部模型。局部模型为一个三玩家模型，分别是全局网络，切分网络和局部网络。在模型局部更新阶段，将切分网络划分为基础层和学习层，其中基础层的参数可以通过上传上行链路的形式传送给云端全局模型；基于误差压缩的梯度输出方法，计算边缘端模型参数梯度的积累量，并对参数梯度的积累量采用信号压缩，减少需要更新的量，达到提高通信效率的目的。
-
公开(公告)号：CN115965953B
公开(公告)日：2023-08-22
申请号：CN202310009003.0
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V20/60 , G06V10/143 , G06V10/10 , G06V10/44 , G06V10/54 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于高光谱成像与深度学习的粮种品种分类方法，本发明属于粮种品种分类领域，包括：获取粮种的多通道高光谱图像，对多通道高光谱图像预处理得到预处理高光谱图像数据集，基于预处理高光谱图像数据集获得第一特征图；其中，预处理高光谱图像数据集包括若干拼接图像；构建粮种品种分类网络模型，其中，粮种品种分类网络模型包括粮种品种分类模块；基于粮种品种分类模块指导训练粮种品种分类网络模型，得到优化粮种品种分类网络模型；将拼接图像输入到优化粮种品种分类网络模型，得到粮种品种分类结果。本发明利用高光谱成像和深度学习技术，提出了一种简单、高效、无损、经济、自动化的粮种品种分类方法。
-
公开(公告)号：CN115965844B
公开(公告)日：2023-08-18
申请号：CN202310008956.5
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了基于视觉显著性先验知识的多聚焦图像融合方法,包括以下步骤：获取显著性目标检测任务的数据集和自然图像的数据集，并基于所述自然图像的数据集，获取带有伪标签的伪多焦距图像；构建基于等距域变换的空域注意力模块和通道域注意力模块，并结合双分支结构网络构建基于视觉显著性先验融合模型；将所述显著性目标检测任务的数据集作为所述基于视觉显著性先验融合模型的预训练任务的输入，获得基于视觉显著性先验融合模型的预训练权重；通过所述带有伪标签的伪多焦距图像继续对所述基于视觉显著性先验融合模型进行下游任务的训练，获得融合图像。本发明采用显著性目标检测减少了预训练任务目标域与多聚焦图像融合任务目标域之间的差异。
-
公开(公告)号：CN115965844A
公开(公告)日：2023-04-14
申请号：CN202310008956.5
申请日：2023-01-04
Applicant: 哈尔滨工业大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895 , G06N3/096
Abstract: 本发明公开了基于视觉显著性先验知识的多聚焦图像融合方法,包括以下步骤：获取显著性目标检测任务的数据集和自然图像的数据集，并基于所述自然图像的数据集，获取带有伪标签的伪多焦距图像；构建基于等距域变换的空域注意力模块和通道域注意力模块，并结合双分支结构网络构建基于视觉显著性先验融合模型；将所述显著性目标检测任务的数据集作为所述基于视觉显著性先验融合模型的预训练任务的输入，获得基于视觉显著性先验融合模型的预训练权重；通过所述带有伪标签的伪多焦距图像继续对所述基于视觉显著性先验融合模型进行下游任务的训练，获得融合图像。本发明采用显著性目标检测减少了预训练任务目标域与多聚焦图像融合任务目标域之间的差异。
-
-
-
-
-
Search Results
16
records
(took 0.032 seconds)
