-
公开(公告)号：CN115936961B
公开(公告)日：2024-01-02
申请号：CN202211462057.4
申请日：2022-11-21
Applicant: 南京信息工程大学
IPC: G06T1/00 , G06V10/82 , G06V10/40 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于少样本对比学习网络的隐写分析方法、设备及介质，其中方法针对少量的隐写图像数据对，用数据增强的方式生成多组额外可用的训练样本；随机挑选一对载体图像和含秘图像，两者相减获得残差图像，将上述三张图像与以及另一张无关的载体图像组成一组训练数据，并以锚点样本、负样本、正样本、指导样本的形式输入对比学习网络。网络先进行特征提取，分别对锚点样本、正样本、负样本是否为含秘图像进行分类，并计算分类损失；对输入的锚点样本、正样本、负样本的特征向量计算对比损失；对输入的负样本、指导样本的特征向量计算对比指导损失；结合分类损失、对比损失和对比指导损失优化网络；抽取网络结构中的一个分支作为应用网络。
-
公开(公告)号：CN112926598A
公开(公告)日：2021-06-08
申请号：CN202110249157.8
申请日：2021-03-08
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于残差域深度学习特征的图像拷贝检测方法，具体为：提取原始图像和待检测图像的SIFT特征；将两幅图像的SIFT特征进行匹配得到SIFT匹配对；然后将错误的SIFT匹配对过滤，保留其中3对SIFT匹配对，再计算出两幅图像之间的仿射变换矩阵；使用仿射变换矩阵对原始图像进行仿射变换；然后分别计算出变换后原始图像上的重叠区域以及待检测图像上的重叠区域，将两个重叠区域逐像素做差值运算，得到残差图像；将残差图像送入基于多层特征融合的CNN中，从而判断出两幅图像是否为拷贝关系。本发明在保持检测效率的同时，显著地提高了检测精度，且对于视觉上高度相似的拷贝图像和相似图像具有很强的区分能力。
-
公开(公告)号：CN115936961A
公开(公告)日：2023-04-07
申请号：CN202211462057.4
申请日：2022-11-21
Applicant: 南京信息工程大学
IPC: G06T1/00 , G06V10/82 , G06V10/40 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于少样本对比学习网络的隐写分析方法、设备及介质，其中方法针对少量的隐写图像数据对，用数据增强的方式生成多组额外可用的训练样本；随机挑选一对载体图像和含秘图像，两者相减获得残差图像，将上述三张图像与以及另一张无关的载体图像组成一组训练数据，并以锚点样本、负样本、正样本、指导样本的形式输入对比学习网络。网络先进行特征提取，分别对锚点样本、正样本、负样本是否为含秘图像进行分类，并计算分类损失；对输入的锚点样本、正样本、负样本的特征向量计算对比损失；对输入的负样本、指导样本的特征向量计算对比指导损失；结合分类损失、对比损失和对比指导损失优化网络；抽取网络结构中的一个分支作为应用网络。
-
公开(公告)号：CN112926598B
公开(公告)日：2021-12-07
申请号：CN202110249157.8
申请日：2021-03-08
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于残差域深度学习特征的图像拷贝检测方法，具体为：提取原始图像和待检测图像的SIFT特征；将两幅图像的SIFT特征进行匹配得到SIFT匹配对；然后将错误的SIFT匹配对过滤，保留其中3对SIFT匹配对，再计算出两幅图像之间的仿射变换矩阵；使用仿射变换矩阵对原始图像进行仿射变换；然后分别计算出变换后原始图像上的重叠区域以及待检测图像上的重叠区域，将两个重叠区域逐像素做差值运算，得到残差图像；将残差图像送入基于多层特征融合的CNN中，从而判断出两幅图像是否为拷贝关系。本发明在保持检测效率的同时，显著地提高了检测精度，且对于视觉上高度相似的拷贝图像和相似图像具有很强的区分能力。
-
-
-
Search Results
4
records
(took 0.02 seconds)
