CN109635844A - 训练分类器的方法及装置和水印检测方法及装置 - Google Patents
训练分类器的方法及装置和水印检测方法及装置 Download PDFInfo
- Publication number
- CN109635844A CN109635844A CN201811353297.4A CN201811353297A CN109635844A CN 109635844 A CN109635844 A CN 109635844A CN 201811353297 A CN201811353297 A CN 201811353297A CN 109635844 A CN109635844 A CN 109635844A
- Authority
- CN
- China
- Prior art keywords
- watermark
- template
- image
- matching result
- matching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明的实施方式提供了一种训练分类器的方法及装置和水印检测方法及装置，其中训练分类器的方法包括：生成待检测水印对应的水印模板；针对多个图像样本，采用所述水印模板对图像样本进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述水印模板匹配度最高的区域；采用所述匹配结果、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。通过生成水印模板对图像样本的匹配结果，并采用匹配结果训练用于检测图像水印的分类器，能够满足对大量快速更新的水印的检测需求。
Description
技术领域
本发明的实施方式涉及图像水印检测技术领域，更具体地，本发明的实施方式涉及一种训练分类器的方法及装置和水印检测方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
图像水印检测是图像目标检测的一个分支，因此，当前常用的图像目标检测算法均适用于图像水印检测。尤其是在深度学习快速发展以来，基于深度学习的图像目标检测算法发展很快，图像水印检测也可采用基于深度学习的图像目标检测算法来实现。
基于深度学习算法的图像水印检测通常会取得较高检测准确率和召回率。但是，计算中一般需要图像处理器(GPU，Graphics Processing Unit)来加速，否则计算速度会大大受限。并且，模型样本需要大量人工标注数据，而人工标注耗时耗力，并且在实际工作环境中水印变化形式多样且更新较快，因此人工标注数据对图像水印检测模型的更新迭代速度有影响。可见，现有的图像水印检测技术对GPU及人工的依赖较大，无法满足对大量快速更新的水印的检测需求。
发明内容
在本上下文中，本发明的实施方式期望提供一种训练分类器的方法和装置，以及一种水印检测方法和装置。
在本发明实施方式的第一方面中，提供了一种训练分类器的方法，包括：
生成待检测水印对应的水印模板；
针对多个图像样本，采用所述水印模板对图像样本进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述水印模板匹配度最高的区域；
采用所述匹配结果、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
在本发明的一个实施例中，所述生成待检测水印对应的水印模板，包括：
获取多个包含所述待检测水印的水印区域图像；
计算各个水印区域图像的梯度幅值；
计算所有梯度幅值的均值，将所述均值所对应的图像作为所述水印模板。
在本发明的一个实施例中，获取包含待检测水印的水印区域图像，包括：
获取包含待检测水印的图像，裁剪所述图像中的水印区域，将所述水印区域按照预定的大小进行缩放处理，得到所述包含待检测水印的水印区域图像。
在本发明的一个实施例中，所述多个图像样本，包括：
包含所述水印模板的图像样本、以及不包含所述水印模板的图像样本。
在本发明的一个实施例中，所述采用所述水印模板对图像样本进行模板匹配，包括：
计算所述图像样本的梯度幅值；
采用所述水印模板与所述图像样本的梯度幅值进行模板匹配。
在本发明的一个实施例中，所述采用所述水印模板与所述图像样本的梯度幅值进行模板匹配，包括：
将所述水印模板进行多尺度缩放，生成两个以上不同大小的水印模板；
采用所述不同大小的水印模板分别与所述图像样本的梯度幅值进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述不同大小的水印模板匹配度最高的区域。
在本发明的一个实施例中，所述分类器为支持向量机分类器。
在本发明的一个实施例中，所述采用所述匹配结果、以及所述匹配结果中是否包含水印模板的信息训练所述分类器，包括：
计算所述匹配结果的梯度幅值；
采用主成分分析算法计算所述梯度幅值的特征表示；
采用所述特征表示、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
在本发明实施方式的第二方面中，提供了一种水印检测方法，包括：
采用水印模板对待检测图像进行模板匹配，生成匹配结果，所述匹配结果为所述待检测图像中与所述水印模板匹配度最高的区域；
采用用于图像水印检测的分类器对所述匹配结果进行识别，所述分类器的输出内容包括所述匹配结果是否包含所述水印模板的信息。
在本发明的一个实施例中，所述采用水印模板对待检测图像进行模板匹配，包括：
计算所述待检测图像的梯度幅值；
采用所述水印模板与所述待检测图像的梯度幅值进行模板匹配。
在本发明的一个实施例中，所述采用所述水印模板与所述待检测图像的梯度幅值进行模板匹配，包括：
将所述水印模板进行多尺度缩放，生成两个以上不同大小的水印模板；
采用所述不同大小的水印模板分别与所述待检测图像的梯度幅值进行模板匹配，生成匹配结果，所述匹配结果为所述待检测图像中与所述不同大小的水印模板匹配度最高的区域。
在本发明的一个实施例中，当所述匹配结果包含待检测水印时，所述分类器的输出内容还包括：
所述待检测水印在所述待检测图像中的位置及大小。
在本发明的一个实施例中，所述分类器为支持向量机分类器。
在本发明实施方式的第三方面中，提供了一种训练分类器的装置，包括：
水印模板生成模块，用于生成待检测水印对应的水印模板；
第一模板匹配模块，用于针对多个图像样本，采用所述水印模板对图像样本进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述水印模板匹配度最高的区域；
训练模块，用于采用所述匹配结果、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
在本发明的一个实施例中，所述水印模板生成模块，用于：
获取多个包含所述待检测水印的水印区域图像；计算各个水印区域图像的梯度幅值；计算所有梯度幅值的均值，将所述均值所对应的图像作为所述水印模板。
在本发明的一个实施例中，所述水印模板生成模块，用于：
获取包含待检测水印的图像，裁剪所述图像中的水印区域，将所述水印区域按照预定的大小进行缩放处理，得到所述包含待检测水印的水印区域图像。
在本发明的一个实施例中，所述第一模板匹配模块针对的多个图像样本，包括：
包含所述水印模板的图像样本、以及不包含所述水印模板的图像样本。
在本发明的一个实施例中，所述第一模板匹配模块，用于：
计算所述图像样本的梯度幅值；采用所述水印模板与所述图像样本的梯度幅值进行模板匹配。
在本发明的一个实施例中，所述第一模板匹配模块，用于：
将所述水印模板进行多尺度缩放，生成两个以上不同大小的水印模板；采用所述不同大小的水印模板分别与所述图像样本的梯度幅值进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述不同大小的水印模板匹配度最高的区域。
在本发明的一个实施例中，所述分类器为支持向量机分类器。
在本发明的一个实施例中，所述训练模块，用于：
计算所述匹配结果的梯度幅值；采用主成分分析算法计算所述梯度幅值的特征表示；采用所述特征表示、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
在本发明实施方式的第四方面中，提供了一种图像水印检测装置，包括：
第二模板匹配模块，用于采用水印模板对待检测图像进行模板匹配，生成匹配结果，所述匹配结果为所述待检测图像中与所述水印模板匹配度最高的区域；
识别模块，用于采用用于图像水印检测的分类器对所述匹配结果进行识别，所述分类器的输出内容包括所述匹配结果是否包含待检测水印的信息；其中，所述待检测水印与所述水印模板对应。
在本发明的一个实施例中，所述第二模板匹配模块，用于：
计算所述待检测图像的梯度幅值；采用所述水印模板与所述待检测图像的梯度幅值进行模板匹配。
在本发明的一个实施例中，所述第二模板匹配模块，用于：
将所述水印模板进行多尺度缩放，生成两个以上不同大小的水印模板；采用所述不同大小的水印模板分别与所述待检测图像的梯度幅值进行模板匹配，生成匹配结果，所述匹配结果为所述待检测图像中与所述不同大小的水印模板匹配度最高的区域。
在本发明的一个实施例中，当所述匹配结果包含待检测水印时，所述分类器的输出内容还包括：所述待检测水印在所述待检测图像中的位置及大小。
在本发明的一个实施例中，所述分类器为支持向量机分类器。
在本发明实施方式的第五方面中，提供了一种计算机可读介质，其存储有计算机程序，该程序被处理器执行时实现上述训练分类器的方法或水印检测方法的步骤。
在本发明实施方式的第六方面中，提供了一种计算设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述训练分类器的方法或水印检测方法的步骤。
根据本发明实施方式的训练分类器的方法和装置，可以采用水印模板对图像样本进行模板匹配，生成匹配结果。之后，采用匹配结果、以及匹配结果中是否包含水印模板的信息训练所述分类器。通过这种方式训练用于检测图像水印的分类器，不依赖于GPU，并且训练数据不需要大量人工标注，因此能够满足对大量快速更新的水印的检测需求。根据本发明实施方式的水印检测方法和装置，首先找到待检测图像中与水印模板匹配度最高的区域，即匹配结果。之后，采用前述分类器识别该匹配结果中是否包含待检测水印，这种检测水印方式不依赖于GPU及大量人工标注，能够满足对大量快速更新的水印的检测需求。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1示意性地示出了根据本发明一实施方式的训练分类器的方法流程图；
图2示意性地示出了根据本发明一实施方式的训练分类器的方法中步骤S11的流程图；
图3示意性地示出了根据本发明一实施方式的训练分类器的方法中步骤S12中采用水印模板对图像样本进行模板匹配的流程图；
图4示意性地示出了根据本发明一实施方式的训练分类器的方法中步骤S13的流程图；
图5示意性地示出了根据本发明一实施方式的水印检测方法的流程图；
图6示意性地示出了根据本发明一实施方式的用于训练分类器的方法、或用于水印检测方法的介质示意图；
图7示意性地示出了根据本发明一实施方式的训练分类器的装置的结构示意图；
图8示意性地示出了根据本发明一实施方式的水印检测装置的结构示意图；
图9示意性地示出了根据本发明一实施方式的计算设备的结构示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种训练分类器的方法、介质、装置和计算设备，以及一种水印检测方法、介质、装置和计算设备。
在本文中，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
发明概述
本发明人发现，现有的图像水印检测技术对GPU及人工的依赖较大，无法满足对大量快速更新的水印的检测需求。
有鉴于此，本发明实施例提供了一种训练分类器的方法和装置，可以采用水印模板对图像样本进行模板匹配，生成匹配结果。之后，采用匹配结果、以及匹配结果中是否包含水印模板的信息训练所述分类器。通过这种方式训练用于检测图像水印的分类器，不依赖于GPU，并且训练数据不需要大量人工标注，能够满足对大量快速更新的水印的检测需求。本发明实施例还提供了一种水印检测方法和装置，首先找到待检测图像中与水印模板匹配度最高的区域，即匹配结果。之后，采用分类器识别该匹配结果中是否包含待检测水印。这种检测水印方式不依赖于GPU及大量人工标注，能够满足对大量快速更新的水印的检测需求。
在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。
示例性方法
本发明实施例提出一种训练分类器的方法。如图1所示，本发明实施例的训练分类器的方法可以包括以下步骤：
S11：生成待检测水印对应的水印模板。
S12：针对多个图像样本，采用所述水印模板对图像样本进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述水印模板匹配度最高的区域。
S13：采用所述匹配结果、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
以下结合附图，详细介绍上述各个步骤。
如图2为所述步骤S11的实现流程图，包括：
S111：获取多个包含所述待检测水印的水印区域图像。
在一种可能的实施方式中，获取多个包含待检测水印的图像，裁剪所述图像中的水印区域，将所述水印区域按照预定的大小进行缩放处理，得到所述包含待检测水印的水印区域图像。例如，可以采用20张左右包含待检测水印的图像。
同种水印在不同尺寸图像上大小不一定一致，但水印本身的长宽比例是固定的。因此，裁剪水印并按其长宽比例缩放为固定大小后，水印本身不会发生畸变。
由于水印与背景图像是以一定形式融合在一起的，因此步骤S111中获取的水印区域图像是比较杂乱的，不利于图像模板匹配。鉴于此，需要从中获取较为纯净的水印模板，采用以下步骤S112和S113实现。
S112：计算各个水印区域图像的梯度幅值。
S113：计算所有梯度幅值的均值，将所述均值所对应的图像作为所述水印模板。
一个梯度幅值中包含待检测水印的轮廓、以及背景图像的轮廓。通过计算多个梯度幅值的平均值，各个背景图像的轮廓被削弱至几乎可以忽略不计。此时得到的水印模板中，水印轮廓部分的像素值大于0，其余部分的像素值约为0。
通过上述过程生成了水印模板。之后，针对多个图像样本，可以采用该水印模板对图像样本进行模板匹配，即执行步骤S12。
关于图像样本的选取，可以选取包含水印模板的图像样本、以及不包含水印模板的图像样本。例如，选取包含水印模板的图像样本约300张，不包含水印模板的图像样本约1000张。
如图3为上述步骤S12中采用水印模板对图像样本进行模板匹配的实现流程图，包括：
S121：计算所述图像样本的梯度幅值。
S122：采用所述水印模板与所述图像样本的梯度幅值进行模板匹配。
在一种可能的实施方式中，匹配算法可以采用相关系数匹配等算法。
水印模板的尺寸有时并无法拟合图像样本中真实的水印尺寸，因此需要进行多尺度匹配。具体地，在一种可能的实施方式中，上述步骤S122可以包括：
将所述水印模板进行多尺度缩放，生成两个以上不同大小的水印模板；
采用所述不同大小的水印模板分别与所述图像样本的梯度幅值进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述不同大小的水印模板匹配度最高的区域。
如果已知水印模板的尺寸与包含该水印模板的图像样本的尺寸存在一定比例关系，则基于这样的先验知识进行单尺度匹配即可。
前文提到，步骤S12中采用的多个图像样本中有些包含水印模板、有些不包含水印模板。采用步骤S12，每个图像样本都生成一个匹配结果。那么，对于不同的图像样本，生成的匹配结果中可能包含该水印模板、也可能不包含该水印模板。
在一种实施方式中，可以由人工判断匹配结果中是否包含水印模板。
对于生成的匹配结果，将包含水印模板的匹配结果作为正样本，不包含水印模板的匹配结果作为负样本。正负样本用于进一步训练分类器，即执行上述步骤S13。分类器的输入内容为匹配结果、以及该匹配结果中是否真实包含水印模板的信息，输出内容为对该匹配结果中是否包含水印模板的预测信息。
在一种可能的实施方式中，上述分类器可以采用支持向量机(SVM，SupportVector Machine)分类器。SVM是一种经典分类算法，其优点是采用较少样本训练分类器即可达到较高分类准确度。一般正负样本各需要几百张即可取得较好的分类效果，远少于深度学习数千上万的训练数据需求。
如图4为上述步骤S13的一种实现方式流程图，包括：
S131：计算所述匹配结果的梯度幅值。
S132：采用主成分分析(PCA，Principal Component Analysis)算法计算所述梯度幅值的特征表示。
S133：采用所述特征表示、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
匹配结果的梯度幅值的特征表示是一个固定长度的字段，可以称为PCA特征，一个匹配结果对应一个PCA特征。包含水印模板的匹配结果为正样本，不包含水印模板的匹配结果为负样本。在训练分类器时，采用正样本和负样本进行训练。
在一种可能的实施方式中，将匹配结果对应的PCA特征输入分类器，分类器输出该匹配结果是否包含水印模板的预测信息。将该预测信息与该匹配结果是否包含水印模板的真实信息进行比较，当预测信息与真实信息不同时，说明分类器的预测结果不准确，则相应调整分类器的相关参数。通过一些样本的反复训练，最终使分类器的预测准确率满足预设要求。
上述实施例中，采用图像样本与水印模板进行模板匹配所生成的匹配结果作为训练样本，训练分类器，能够满足对大量快速更新的水印的检测需求。
本发明实施例还提出一种水印检测方法。如图5所示，本发明实施例的水印检测方法可以包括以下步骤：
S51：采用水印模板对待检测图像进行模板匹配，生成匹配结果，所述匹配结果为所述待检测图像中与所述水印模板匹配度最高的区域。
S52：采用用于图像水印检测的分类器对所述匹配结果进行识别，所述分类器的输出内容包括所述匹配结果是否包含所述水印模板的信息。
在本实施例中，步骤S51中所采用的水印模板是上述步骤S11中生成的水印模板。步骤S51中采用水印模板对待检测图像进行模板匹配的方式与上述实施例中步骤S12的方式相同，不再赘述。
在一种可能的实施方式中，当所述匹配结果包含待检测水印时，所述分类器的输出内容还可以包括：所述待检测水印在所述待检测图像中的位置及大小。其中，所述分类器可以为支持向量机分类器。
在一种可能的实施方式中，上述分类器是采用所述水印模板对图像样本进行模板匹配生成的匹配结果、以及所述匹配结果中是否包含水印模板的信息训练得到的。用于训练分类器的样本包括正样本和负样本，其中包含水印模板的匹配结果为正样本，不包含水印模板的匹配结果为负样本。训练方式与上述实施例中步骤S13的方式相同，因此，分类器识别的过程也与步骤S13的方式类似，即计算所述匹配结果的梯度幅值，采用主成分分析算法计算所述梯度幅值的特征表示，采用所述特征表示识别所述匹配结果是否包含水印。
综上可见，利用本实施例的方法，在训练分类器时，采用水印模板对图像样本进行模板匹配所得到的匹配结果作为训练样本，训练用于检测水印的分类器。
在检测水印时，首先对待检测图像做一个预处理，找到待检测图像中与水印模板(例如随机从系统中所有的水印模板中选择出的某个水印模板)最接近的部分(即水印模板与待检测图像的匹配结果)，之后由分类器来识别这一最接近的部分中是否包含水印。如果不包括水印，重复上述步骤，直到分类器识别出包含水印，或者已经使用完全部的水印模板为止。由于采用分类器进行检测，本发明实施例能够满足对大量快速更新的水印的检测需求。
示例性介质
在介绍了本发明示例性实施方式的方法之后，接下来，参考图6对本发明示例性实施方式的介质进行说明。
在一些可能的实施方式中，本发明的各个方面还可以实现为一种计算机可读介质，其上存储有程序，当该程序被处理器执行时用于实现本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的训练分类器的方法、或者水印检测方法的步骤。
具体地，上述处理器执行上述程序时用于实现如下步骤：生成待检测水印对应的水印模板；针对多个图像样本，采用所述水印模板对图像样本进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述水印模板匹配度最高的区域；采用所述匹配结果、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
或者，上述处理器执行上述程序时用于实现如下步骤：采用水印模板对待检测图像进行模板匹配，生成匹配结果，所述匹配结果为所述待检测图像中与所述水印模板匹配度最高的区域；采用用于图像水印检测的分类器对所述匹配结果进行识别，所述分类器的输出内容包括所述匹配结果是否包含待检测水印的信息；其中，所述待检测水印与所述水印模板对应。
需要说明的是：上述的介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
如图6所示，描述了根据本发明的实施方式的介质60，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序，并可以在设备上运行。然而，本发明不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算设备。
示例性装置
在介绍了本发明示例性实施方式的介质之后，接下来，参考图7对本发明示例性实施方式的装置进行说明。
如图7所示，本发明实施例的训练分类器的装置可以包括：
水印模板生成模块701，用于生成待检测水印对应的水印模板；
第一模板匹配模块702，用于针对多个图像样本，采用所述水印模板对图像样本进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述水印模板匹配度最高的区域；
训练模块703，用于采用所述匹配结果、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
在一种可能的实施方式中，所述水印模板生成模块701，用于：
获取多个包含所述待检测水印的水印区域图像；计算各个水印区域图像的梯度幅值；计算所有梯度幅值的均值，将所述均值所对应的图像作为所述水印模板。
在一种可能的实施方式中，所述水印模板生成模块701，用于：
获取包含待检测水印的图像，裁剪所述图像中的水印区域，将所述水印区域按照预定的大小进行缩放处理，得到所述包含待检测水印的水印区域图像。
在一种可能的实施方式中，所述第一模板匹配模块702针对的多个图像样本，包括：包含所述水印模板的图像样本、以及不包含所述水印模板的图像样本。
在一种可能的实施方式中，所述第一模板匹配模块702，用于：计算所述图像样本的梯度幅值；采用所述水印模板与所述图像样本的梯度幅值进行模板匹配。
在一种可能的实施方式中，所述第一模板匹配模块702，用于：
将所述水印模板进行多尺度缩放，生成两个以上不同大小的水印模板；采用所述不同大小的水印模板分别与所述图像样本的梯度幅值进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述不同大小的水印模板匹配度最高的区域。
在一种可能的实施方式中，所述分类器为支持向量机分类器。
在一种可能的实施方式中，所述训练模块703，用于：计算所述匹配结果的梯度幅值；采用主成分分析算法计算所述梯度幅值的特征表示；采用所述特征表示、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
如图8所示，本发明实施例的水印检测装置可以包括：
第二模板匹配模块801，用于采用水印模板对待检测图像进行模板匹配，生成匹配结果，所述匹配结果为所述待检测图像中与所述水印模板匹配度最高的区域；
识别模块802，用于采用用于图像水印检测的分类器对所述匹配结果进行识别，所述分类器的输出内容包括所述匹配结果是否包含待检测水印的信息；其中，所述待检测水印与所述水印模板对应。
在一种可能的实施方式中，所述第二模板匹配模块801，用于：
计算所述待检测图像的梯度幅值；采用所述水印模板与所述待检测图像的梯度幅值进行模板匹配。
在一种可能的实施方式中，所述第二模板匹配模块801，用于：
将所述水印模板进行多尺度缩放，生成两个以上不同大小的水印模板；采用所述不同大小的水印模板分别与所述待检测图像的梯度幅值进行模板匹配，生成匹配结果，所述匹配结果为所述待检测图像中与所述不同大小的水印模板匹配度最高的区域。
在一种可能的实施方式中，当所述匹配结果包含待检测水印时，所述分类器的输出内容还包括：所述待检测水印在所述待检测图像中的位置及大小。
在一种可能的实施方式中，所述分类器为支持向量机分类器。
示例性计算设备
在介绍了本发明示例性实施方式的方法、介质和装置之后，接下来，参考图9对本发明示例性实施方式的计算设备进行说明。
本发明实施例提供了一种计算设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现上述训练分类器的方法中的任一方法、或者上述水印检测方法中的任一方法。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本发明实施方式的计算设备可以至少包括至少一个处理单元、以及至少一个存储单元。其中，上述存储单元存储有程序代码，当上述程序代码被上述处理单元执行时，使得上述处理单元执行本说明书上述“示例性方法”部分中描述的根据本发明的各种示例性实施方式的训练分类器的方法中的步骤、或水印检测方法中的步骤。
下面参照图9来描述根据本发明的实施方式的计算设备90。图9显示的计算设备90仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，计算设备90以通用计算设备的形式表现。计算设备100的组件可以包括但不限于：上述至少一个处理单元901、上述至少一个存储单元902以及连接不同系统组件(包括处理单元901和存储单元902)的总线903。
总线903包括数据总线、控制总线和地址总线。
存储单元902可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)9021和/或高速缓存存储器9022，可以进一步包括非易失性存储器形式的可读介质，例如只读存储器(ROM)9023。
存储单元902还可以包括具有一组(至少一个)程序模块9024的程序/实用工具9025，这样的程序模块9024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算设备90也可以与一个或多个外部设备904(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口905进行。并且，计算设备90还可以通过网络适配器906与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图9所示，网络适配器906通过总线903与计算设备90的其它模块通信。应当理解，尽管图中未示出，可以结合计算设备90使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
应当注意，尽管在上文详细描述中提及了图像评分模型训练装置的若干单元/模块或子单元/模块，以及图像评分装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合以进行受益，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (10)
1.一种训练分类器的方法，其特征在于，包括：
生成待检测水印对应的水印模板；
针对多个图像样本，采用所述水印模板对图像样本进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述水印模板匹配度最高的区域；
采用所述匹配结果、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
2.根据权利要求1所述的方法，其特征在于，所述生成待检测水印对应的水印模板，包括：
获取多个包含所述待检测水印的水印区域图像；
计算各个水印区域图像的梯度幅值；
计算所有梯度幅值的均值，将所述均值所对应的图像作为所述水印模板。
3.根据权利要求2所述的方法，其特征在于，获取包含待检测水印的水印区域图像，包括：
获取包含待检测水印的图像，裁剪所述图像中的水印区域，将所述水印区域按照预定的大小进行缩放处理，得到所述包含待检测水印的水印区域图像。
4.根据权利要求1-3任一所述的方法，其特征在于，所述多个图像样本，包括：
包含所述水印模板的图像样本、以及不包含所述水印模板的图像样本。
5.根据权利要求1-3任一所述的方法，其特征在于，所述采用所述水印模板对图像样本进行模板匹配，包括：
计算所述图像样本的梯度幅值；
采用所述水印模板与所述图像样本的梯度幅值进行模板匹配。
6.一种水印检测方法，其特征在于，包括：
采用水印模板对待检测图像进行模板匹配，生成匹配结果，所述匹配结果为所述待检测图像中与所述水印模板匹配度最高的区域；
采用用于图像水印检测的分类器对所述匹配结果进行识别，所述分类器的输出内容包括所述匹配结果是否包含所述水印模板的信息。
7.一种训练分类器的装置，其特征在于，包括：
水印模板生成模块，用于生成待检测水印对应的水印模板；
第一模板匹配模块，用于针对多个图像样本，采用所述水印模板对图像样本进行模板匹配，生成匹配结果，所述匹配结果为所述图像样本中与所述水印模板匹配度最高的区域；
训练模块，用于采用所述匹配结果、以及所述匹配结果中是否包含水印模板的信息训练所述分类器。
8.一种图像水印检测装置，其特征在于，包括：
第二模板匹配模块，用于采用水印模板对待检测图像进行模板匹配，生成匹配结果，所述匹配结果为所述待检测图像中与所述水印模板匹配度最高的区域；
识别模块，用于采用用于图像水印检测的分类器对所述匹配结果进行识别，所述分类器的输出内容包括所述匹配结果是否包含待检测水印的信息；其中，所述待检测水印与所述水印模板对应。
9.一种介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
10.一种计算设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811353297.4A CN109635844B (zh) | 2018-11-14 | 2018-11-14 | 训练分类器的方法及装置和水印检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811353297.4A CN109635844B (zh) | 2018-11-14 | 2018-11-14 | 训练分类器的方法及装置和水印检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109635844A true CN109635844A (zh) | 2019-04-16 |
| CN109635844B CN109635844B (zh) | 2021-08-27 |
Family
ID=66067814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811353297.4A Active CN109635844B (zh) | 2018-11-14 | 2018-11-14 | 训练分类器的方法及装置和水印检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109635844B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084736A (zh) * | 2019-04-29 | 2019-08-02 | 绍兴聚量数据技术有限公司 | 一种基于surf和金字塔算法的水印检测方法及系统 |
| CN110428357A (zh) * | 2019-08-09 | 2019-11-08 | 厦门美图之家科技有限公司 | 图像中水印的检测方法、装置、电子设备及存储介质 |
| CN110852242A (zh) * | 2019-11-06 | 2020-02-28 | 北京字节跳动网络技术有限公司 | 基于多尺度网络的水印识别方法、装置、设备及存储介质 |
| CN110866026A (zh) * | 2019-11-12 | 2020-03-06 | 西安中科星图空间数据技术有限公司 | 一种Sqlite影像瓦片数据库的自动更新方法及装置 |
| CN111047496A (zh) * | 2019-12-13 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 阈值确定方法、水印检测方法、装置和电子设备 |
| CN112785479A (zh) * | 2021-01-21 | 2021-05-11 | 南京信息工程大学 | 一种基于少样本学习的图像隐形水印通用检测方法 |
| CN113887438A (zh) * | 2021-09-30 | 2022-01-04 | 平安银行股份有限公司 | 人脸图像的水印检测方法、装置、设备及介质 |
| CN115482440A (zh) * | 2022-11-09 | 2022-12-16 | 荣耀终端有限公司 | 样本数据获取方法、模型训练方法、电子设备及介质 |
| TWI793521B (zh) * | 2021-02-09 | 2023-02-21 | 竹陞科技股份有限公司 | 圖片識別與管理系統 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150030201A1 (en) * | 2013-07-19 | 2015-01-29 | Digimarc Corporation | Feature-based watermark localization in digital capture systems |
| CN104899606A (zh) * | 2015-06-17 | 2015-09-09 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
| CN105550646A (zh) * | 2015-12-08 | 2016-05-04 | 中山大学 | 基于对数梯度直方图的广义光照不变人脸特征描述方法 |
| CN106339719A (zh) * | 2016-08-22 | 2017-01-18 | 微梦创科网络科技（中国）有限公司 | 一种图像识别方法及装置 |
| CN107633207A (zh) * | 2017-08-17 | 2018-01-26 | 平安科技（深圳）有限公司 | Au特征识别方法、装置及存储介质 |
| CN107657275A (zh) * | 2017-09-20 | 2018-02-02 | 电子科技大学 | 基于改进bing算法的车牌预检测方法 |
| CN108171254A (zh) * | 2017-11-22 | 2018-06-15 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
-
2018
- 2018-11-14 CN CN201811353297.4A patent/CN109635844B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150030201A1 (en) * | 2013-07-19 | 2015-01-29 | Digimarc Corporation | Feature-based watermark localization in digital capture systems |
| CN104899606A (zh) * | 2015-06-17 | 2015-09-09 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
| CN105550646A (zh) * | 2015-12-08 | 2016-05-04 | 中山大学 | 基于对数梯度直方图的广义光照不变人脸特征描述方法 |
| CN106339719A (zh) * | 2016-08-22 | 2017-01-18 | 微梦创科网络科技（中国）有限公司 | 一种图像识别方法及装置 |
| CN107633207A (zh) * | 2017-08-17 | 2018-01-26 | 平安科技（深圳）有限公司 | Au特征识别方法、装置及存储介质 |
| CN107657275A (zh) * | 2017-09-20 | 2018-02-02 | 电子科技大学 | 基于改进bing算法的车牌预检测方法 |
| CN108171254A (zh) * | 2017-11-22 | 2018-06-15 | 北京达佳互联信息技术有限公司 | 图像标签确定方法、装置及终端 |
Non-Patent Citations (8)
| Title |
|---|
| MOHIUL ISLAM ET AL.: "Geometric distortion correction based robust watermarking scheme in LWT-SVD domain with diaital watermark extraction using SVM", 《SPRINGER SCIENCE+BUSINESS MEDIA,LLC 2017》 * |
| 中国计算机学会CAD/CG专业委员会 等: "《计算机技术与应用发展2004》", 31 August 2004, 中国科学技术大学出版社 * |
| 夏良正 等: "《数字图像处理》", 30 September 1999, 东南大学出版社 * |
| 张良培 张立福: "《高光谱遥感》", 30 June 2011, 测绘出版社 * |
| 徐光柱 雷帮军: "《实用性目标检测与跟踪算法原理及应用》", 30 April 2015, 国防工业出版社 * |
| 文少波 等: "《新能源洗车及其智能化技术》", 30 September 2017, 东南大学出版社 * |
| 陆军 董晓睿: "《三维计算机视觉技术和算法导论》", 31 October 2014, 国防工业出版社 * |
| 陈欢 孙广玲: "多矢量曲线水印检测的SVM分类融合", 《中国图象图形学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110084736A (zh) * | 2019-04-29 | 2019-08-02 | 绍兴聚量数据技术有限公司 | 一种基于surf和金字塔算法的水印检测方法及系统 |
| CN110428357A (zh) * | 2019-08-09 | 2019-11-08 | 厦门美图之家科技有限公司 | 图像中水印的检测方法、装置、电子设备及存储介质 |
| CN110852242A (zh) * | 2019-11-06 | 2020-02-28 | 北京字节跳动网络技术有限公司 | 基于多尺度网络的水印识别方法、装置、设备及存储介质 |
| CN110866026A (zh) * | 2019-11-12 | 2020-03-06 | 西安中科星图空间数据技术有限公司 | 一种Sqlite影像瓦片数据库的自动更新方法及装置 |
| CN110866026B (zh) * | 2019-11-12 | 2022-08-09 | 中科星图空间技术有限公司 | 一种Sqlite影像瓦片数据库的自动更新方法及装置 |
| CN111047496A (zh) * | 2019-12-13 | 2020-04-21 | 支付宝(杭州)信息技术有限公司 | 阈值确定方法、水印检测方法、装置和电子设备 |
| CN112785479A (zh) * | 2021-01-21 | 2021-05-11 | 南京信息工程大学 | 一种基于少样本学习的图像隐形水印通用检测方法 |
| CN112785479B (zh) * | 2021-01-21 | 2023-05-23 | 南京信息工程大学 | 一种基于少样本学习的图像隐形水印通用检测方法 |
| TWI793521B (zh) * | 2021-02-09 | 2023-02-21 | 竹陞科技股份有限公司 | 圖片識別與管理系統 |
| CN113887438A (zh) * | 2021-09-30 | 2022-01-04 | 平安银行股份有限公司 | 人脸图像的水印检测方法、装置、设备及介质 |
| CN115482440A (zh) * | 2022-11-09 | 2022-12-16 | 荣耀终端有限公司 | 样本数据获取方法、模型训练方法、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109635844B (zh) | 2021-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635844A (zh) | 训练分类器的方法及装置和水印检测方法及装置 | |
| CN110750959B (zh) | 文本信息处理的方法、模型训练的方法以及相关装置 | |
| US10997503B2 (en) | Computationally efficient neural network architecture search | |
| US9349076B1 (en) | Template-based target object detection in an image | |
| CN109508678A (zh) | 人脸检测模型的训练方法、人脸关键点的检测方法和装置 | |
| US20190026630A1 (en) | Information processing apparatus and information processing method | |
| CN110659582A (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
| CN110148400A (zh) | 发音类型的识别方法、模型的训练方法、装置及设备 | |
| CN112347795A (zh) | 机器翻译质量评估方法、装置、设备及介质 | |
| CN109471915A (zh) | 一种文本评价方法、装置、设备以及可读存储介质 | |
| ATE520101T1 (de) | Bildverarbeitungsvorrichtung und -verfahren | |
| CN110310619A (zh) | 多音字预测方法、装置、设备及计算机可读存储介质 | |
| CN110009614A (zh) | 用于输出信息的方法和装置 | |
| CN110490081A (zh) | 一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法 | |
| WO2023050650A1 (zh) | 动画视频生成方法、装置、设备及存储介质 | |
| CN113111968B (zh) | 图像识别模型训练方法、装置、电子设备和可读存储介质 | |
| JP6003492B2 (ja) | 文字認識装置及びプログラム | |
| CN112861518B (zh) | 文本纠错方法、装置和存储介质及电子装置 | |
| CN111008576B (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
| CN109492795A (zh) | 基于ai的机场登机服务处理方法、装置、设备及介质 | |
| CN111488873A (zh) | 一种基于弱监督学习的字符级场景文字检测方法和装置 | |
| CN106897384A (zh) | 一种要点题自动评价方法及装置 | |
| JP2022500808A (ja) | 文生成方法と装置、電子機器及びプログラム | |
| CN109447996A (zh) | 三维图像中的手部分割 | |
| CN109583367A (zh) | 图像文本行检测方法及装置、存储介质和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |