-
公开(公告)号：CN108805789B
公开(公告)日：2022-06-03
申请号：CN201810532620.8
申请日：2018-05-29
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明提供了一种基于对抗神经网络去除水印的方法、装置、设备及可读介质，该方法包括：训练步骤，基于样本图像对对抗神经网络进行训练，获得对抗神经网络模型；去除步骤，将带有水印的图像输入对抗神经网络模型中去除水印，得到无水印的图像。本发明设计了具有残差块的对抗神经网络，对抗神经网络包括生成器网络和鉴别器网络，通过该对抗性神经网络中的生成器网络能够快速、高效、批量地去除图像中特定的水印，并通过鉴别器网络判断除去水印的效果是否达到要求，如果达到要求，则将图像输出。
-
公开(公告)号：CN114078119A
公开(公告)日：2022-02-22
申请号：CN202111372017.6
申请日：2021-11-18
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 公开了一种基于光流法的深度伪造视频检测方法和系统，包括收集经过不同方式篡改后的深度伪造视频和原始视频分别构建训练集和验证集；对训练集和验证集中的视频进行抽帧处理获得每个视频的每帧图像，利用光流计算模型提取光流特征；按时序分别对每帧图像和光流特征进行拼接，并输入神经网络模型训练至损失收敛；对待验证视频进行上述步骤中抽帧处理、光流计算和图像拼接，并取部分图像送入神经网络模型，将获取到的输出通过神经网络的激活函数获得输出结果均值，若输出结果均值不小于预设阈值，则待验证视频为深度伪造视频。本发明能够降低深度伪造检测算法对前置算法的强依赖性，同时能够有效的对多种深度伪造视频进行检测，提升算法泛化能力。
-
公开(公告)号：CN110570442A
公开(公告)日：2019-12-13
申请号：CN201910885631.9
申请日：2019-09-19
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明涉及一种复杂背景下轮廓检测方法、终端设备及存储介质，该方法中包括：S1：采集原始图像和对应的轮廓图像共同组成训练集；S2：构建生成对抗网络模型，通过训练集对生成对抗网络模型进行训练后得到最终模型；S3：将待检测图像输入训练后的最终模型，输出对应的轮廓图像；S4：对轮廓图像进行去噪处理后，将其转换为二值化图像；S5：根据二值化图像获得图像的轮廓点集，并进行角点检测，将检测到的角点添加至轮廓点集中；S6：查找轮廓的顶点；S7：剔除轮廓图像中不符合要求的轮廓；S8：将得到的轮廓通过透视变换映射回原始图像，将映射后的轮廓作为待检测图像的轮廓。本发明可以解决复杂背景的轮廓检测问题，且可以泛化到更多的应用场景上。
-
Patent Agency Ranking
公开(公告)号：CN115620327A
公开(公告)日：2023-01-17
申请号：CN202211321333.5
申请日：2022-10-26
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V30/413 , G06V30/19 , G06V10/82
Abstract: 本申请提出了一种基于多分类的文本检测方法以系统，包括：获取并整理文本框样本，将文本框样本切分成文本单元，对文本单元的坐标和标志位进行标注；将文本框样本按比例生成训练集和验证集，并且对文本单元的标志位赋类标；构建文本单元检测网络模型，通过文本单元检测网络模型对训练集进行训练至损失收敛，获取完成训练的模型输出，输出为集合B；构建文本单元合并算法，根据标志位的类标划分集合B，形成多个子集，根据当前元素和当前元素所属子集内的元素计算获取点集cnt外接矩形；将验证集输入完成训练的模型中，最终获得所有的文本框。能够有效解决自然场景下文本定位不准确、漏检、误检等多种问题，同时能够处理多角度的文本检测问题。
-
公开(公告)号：CN114219980A
公开(公告)日：2022-03-22
申请号：CN202111491247.4
申请日：2021-12-08
Applicant: 厦门市美亚柏科信息股份有限公司
IPC: G06V10/80 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明提出了一种基于多尺度的车型识别算法，包括：S1、将原图输入至ResNet50网络中进行卷积池化，对输出的特征信息进行广义均值池化，得到全局特征信息；S2、对所述原图进行移除背景处理，得到二值化掩膜，将所述二值化掩膜与所述原图相乘得到前景图像；S3、将所述前景图像输入至所述ResNet50网络的第一个残差卷积块，并将输出的特征信息输入至HRNet网络中，对所述HRNet网络输出的特征信息进行广义均值池化，得到多尺度特征信息；S4、对所述全局特征信息和所述多尺度特征信息进行级联得到级联特征，将所述级联特征输入至BN层和分类层，并利用三元组损失函数和交叉熵损失函数进行分类训练，从而识别车型。本发明具体提高车型识别精度的效果。
-
公开(公告)号：CN113920296A
公开(公告)日：2022-01-11
申请号：CN202111395021.4
申请日：2021-11-23
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明给出了一种基于对比学习的文本识别方法与系统，包括无标签的文本图像样本，对其中每个样本进行数据增强输入卷积网络进行识别训练生成识别模型，再基于所述识别模型构建基本编码器来计算并输出特征序列；将所述特征序列输入实例映射函数生成对应的实例再映射为多个子实例，将所有的子实例作为对比损失函数中的子元素进行对比学习，将结果反馈到所述卷积网络用于更新所述卷积网络；获取包含文本信息的有标签的文本图像样本输入所述基本编码器，对所述卷积网络的参数进行调节直到所述识别模型收敛。本方法将对比学习应用于序列的各个元素，充分利用无标注数据学习有效的表征信息，再基于自监督对比学习的方法进行建模，显著提高了识别效果。
-
公开(公告)号：CN113822328A
公开(公告)日：2021-12-21
申请号：CN202110894433.6
申请日：2021-08-05
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明涉及防御对抗样本攻击的图像分类方法、终端设备及存储介质，该方法中包括：S1：采集原始图像和其对应的对抗样本；S2：构建图像分类模型，图像分类模型采用深度神经网络结构，并在深度神经网络中添加去噪模块，去噪模块包括非局部均值模块和自注意力机制模块；S3：将原始图片和对应的对抗样本混合后对图像分类模型进行训练；S4：采用训练后的图像分类模型对图像进行分类。本发明通过端到端的方式在卷积网络的中间层添加去噪模块来降低对抗图像的噪声扰动，去噪模块由非局部均值模块和自注意力机制模块相结合，能够达到去噪目的且能够与任意卷积层相衔接，从而提高模型的对抗鲁棒性，有效解决了对抗样本攻击深度学习系统存在的隐患。
-
公开(公告)号：CN113807392A
公开(公告)日：2021-12-17
申请号：CN202110896904.7
申请日：2021-08-05
Applicant: 厦门市美亚柏科信息股份有限公司
Abstract: 本发明涉及一种基于多预处理特征融合的篡改图像鉴别方法，其可包括以下步骤：S1、收集样本，构建训练集与验证集；S2、搭建多预处理特征提取模块；S3、将训练集中的每一张图像通过多预处理特征提取模块处理得到相应特征，并对同一张图像获取到的特征以通道维度合并，形成该图像的特征张量；S4、将特征张量输入神经网络模型进行训练直到损失收敛；S5、将验证集输入训练好的神经网络模型，获取输出结果，若输出结果大于预设阈值，则判定该图像为篡改图像。本发明通过提前提取先验特征的方式，使得模型更容易拟合到相关特征，更易于训练，能够实现对多种篡改方式进行同时鉴别。
-
-
-
-
-
-
-
Search Results
28
records
(took 0.031 seconds)
