公开(公告)号：CN119228862A

公开(公告)日：2024-12-31

申请号：CN202411291373.9

申请日：2024-09-14

Applicant: 哈尔滨工业大学

Inventor： 刘贤明 ,  徐家雷 ,  翟德明 ,  赵文博 ,  江俊君 ,  李晓军 ,  姚俊萍 ,  季向阳

IPC: G06T7/55 ,  G06T3/08 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/0895

Abstract: 本发明提出一种具有结构一致性的自监督多相机深度预测方法，包括：S1：将相邻视角的RGB图像输入深度估计网络，获取对应RGB图像的深度基；S2：对RGB图像的深度基权重进行优化，并和深度基进行线性求和，得到初始深度图；S3：以初始深度图为基础，将相邻视角RGB图像的特征图像的特征投影到同一视角下，获取合并后的投影特征；S4：将合并后的投影特征输入权重更新网络进行优化；S5：对更新后的被投影特征权重和深度基进行线性求和计算，得到优化一次后的深度图；S6：重复S1‑S5，对深度图进行迭代优化，直至深度基权重收敛，得到自监督多相机协同深度预测结果。本发明能够利用相机之间的小重叠信息，实现深度预测的结构一致性。

公开(公告)号：CN119272844A

公开(公告)日：2025-01-07

申请号：CN202411336905.6

申请日：2024-09-25

Applicant: 哈尔滨工业大学

Inventor： 刘贤明 ,  张飞龙 ,  霍骁扬 ,  翟德明 ,  江俊君 ,  季向阳

IPC: G06N3/098 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明提出一种支持通用设备与神经形态设备联合训练的系统及方法，其中系统包括：ANN客户端，SNN客户端、联邦学习中心服务器和ANN‑SNN转换模块；ANN客户端、SNN客户端和ANN‑SNN转换模块均与联邦学习中心服务器无线通信连接。本发明提供的支持ANN‑SNN异构训练的联邦学习框架，通过ANN‑SNN转换方法，首次克服了两种设备之间的异构性，能同时利用通用计算设备和神经形态硬件，且第一次支持将SNN和ANN两类不同的模型加入到联邦学习过程中。这使得框架能够充分利用两类客户端获取的边缘数据以支持训练，克服了设备异构导致数据利用率较低的问题。

公开(公告)号：CN118115665A

公开(公告)日：2024-05-31

申请号：CN202410194834.4

申请日：2024-02-22

Applicant: 哈尔滨工业大学

Inventor： 刘贤明 ,  肖钰儒 ,  赵文博 ,  翟德明 ,  季向阳

IPC: G06T17/00 ,  G06T7/80 ,  G06T7/90 ,  G06V10/44 ,  G06V10/75 ,  G06V10/74 ,  G06N3/04

Abstract: 本发明提出一种基于有限视角图像的NeRF重建方法，包括：步骤1：构建辐射场重建系统；步骤2：基于辐射场重建系统获取预处理后的观测物体成像并获取相机位姿；步骤3：基于预处理后的观测物体成像和相机位姿进行辐射场重建。本发明采用稀疏特征匹配方法能够弥补频率正则方法在高频区域的几何缺失和扭曲问题，显著提升高频细节的精细化能力，同时能够充分利用频率正则方法在低频区域重建的优异性能，本发明能够显著能够降低重建辐射场对拍摄所需相机数目或拍摄频次，降低辐射场重建所需的硬件成本，具有更强的准确性和鲁棒性。

公开(公告)号：CN119363379A

公开(公告)日：2025-01-24

申请号：CN202411336754.4

申请日：2024-09-25

Applicant: 哈尔滨工业大学

Inventor： 刘贤明 ,  张飞龙 ,  林诗昳 ,  翟德明 ,  江俊君 ,  季向阳

IPC: H04L9/40 ,  G06N3/0464 ,  G06N3/098

Abstract: 本发明提出一种基于模型结构变换的联邦学习加密系统及方法，其中系统包括：参与训练的计算设备和中央服务器；参与训练的计算设备与中央服务器采用无线通信方式连接。本发明通过模型变换在联邦学习本地训练前将全局模型转换为私有的本地模型结构，并在本地训练结束后将其转换回全局结构，使得在整个联邦学习训练过程中，本地训练的局部模型结构是高度保密的，从而使得中央服务器或外部攻击者无法通过上传的梯度信息反推出局部客户端的私有数据信息；相比于传统的联邦学习加密方法，本发明利用轻量化的模型转换对本地模型信息加密进而隐式完成对梯度信息的加密，显著的提高了联邦学习的隐私性，具有很高的实用价值。

公开(公告)号：CN118246518A

公开(公告)日：2024-06-25

申请号：CN202410101109.8

申请日：2024-01-25

Applicant: 哈尔滨工业大学

Inventor： 刘贤明 ,  张飞龙 ,  翟德明 ,  江俊君 ,  季向阳

IPC: G06N3/098 ,  H04L41/14 ,  H04L47/38 ,  G06N3/042 ,  G06F21/62

Abstract: 一种基于模型参数差编码的通讯联邦学习方法，它涉及一种通讯联邦学习方法。本发明为了解决现有边缘设备大规模协同学习的通信成本较高的问题。本发明的步骤包括步骤1、发送方将参数差根据网络结构与参数编码为一组低维张量，并向设备接收方发送该组低维张量；步骤2、若接收方已经具备发送方编码时所采用的网络结构与参数，则无需重复发送，否则，发送该网络结构与参数；步骤3、接收方根据该网络结构与该组低维张量重建更新后的模型参数；步骤4、设备或中央服务器根据重建后的模型，执行本地更新或全局聚合；步骤5、当通讯次数或模型性能等预设指标达到预设要求时，输出结果。本发明属于数据处理技术领域。

公开(公告)号：CN118172434A

公开(公告)日：2024-06-11

申请号：CN202410404385.1

申请日：2024-04-07

Applicant: 哈尔滨工业大学

Inventor： 刘贤明 ,  柏园超 ,  王凯 ,  翟德明 ,  季向阳

IPC: G06T11/00 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明涉一种面向概率建模的高并行自回归扫描及掩码卷积设计方法，具体实施步骤如下：步骤S1、给出扫描次数与图像分辨率呈线性关系时两者的数学关系式；步骤S2、构建特定的扫描角度以满足给定的扫描次数的限制；步骤S3、构建特定扫描角度下，确定掩码卷积的掩码方式。本发明提出的扫描方式大大提升了模型的并行度，且取得与串行扫描相近的性能。相比于波前扫描，本发明提出的扫描方式其扫描次数与卷积核大小不再相关，而是与掩码方式相关，所以可以在扫描次数不变的情况下，运用更大的卷积核以增强模型的概率估计性能。